RAGFlow

RAGFlow es un motor de generación aumentada por recuperación (RAG) de extremo a extremo y de código abierto, creado por InfiniFlow, una empresa china de infraestructura de IA. Se lanzó como código abierto el 1 de abril de 2024 bajo la licencia Apache 2.0 y se ha convertido en uno de los proyectos de infraestructura de IA con más estrellas en GitHub, alcanzando las 79,6 mil estrellas en abril de 2026. A diferencia de bibliotecas de frameworks como Haystack o LlamaIndex, RAGFlow se distribuye como un sistema implementable completo: canal de ingesta de documentos, motor de fragmentación (chunking), búsqueda vectorial y de texto completo, integración de LLM, una interfaz de usuario web y una capa de orquestación de agentes, todo en una única implementación de Docker. Su principal diferenciador técnico es DeepDoc, un subsistema interno de análisis de documentos que utiliza un modelo de reconocimiento de diseño YOLOv8 ajustado, OCR y reconocimiento de estructura de tablas para extraer datos estructurados precisos de PDF empresariales complejos antes de que comience el proceso RAG.

La plataforma admite la búsqueda híbrida que combina la recuperación de vectores densos, la búsqueda de texto completo BM25 y la reclasificación (reranking) basada en tensores, proporcionada a través de la propia base de datos Infinity de InfiniFlow o, de forma opcional, Elasticsearch 9.x. A partir de la versión v0.25.1 (30 de abril de 2026), RAGFlow se ha expandido mucho más allá de sus orígenes de RAG de documentos: incluye un creador de flujos de trabajo de agentes con integración MCP, canales multiagente, almacenamiento de memoria a nivel de usuario, entrada/salida de voz, conectores de fuentes de datos para Confluence, Google Drive, Notion, S3, GitHub, Slack, DingTalk y canales RSS, así como ejecución de código en entornos aislados (sandbox) dentro de los flujos de agentes. Es compatible con los principales LLM, incluidos GPT-5, DeepSeek v4, Gemini 3 Pro, Claude y modelos locales a través de Ollama y Xinference. Funciones como respuestas citadas y rastreables con resaltado de fuentes y una interfaz visual de inspección de fragmentos abordan el problema de "basura entra, basura sale" que socava la mayoría de las implementaciones RAG ingenuas.

Lo que RAGFlow hace realmente en mayo de 2026

La arquitectura de RAGFlow se centra en un canal de tres capas: ETL, recuperación y generación. La capa ETL es donde RAGFlow se diferencia más claramente de las pilas más simples. Los documentos ingresan al sistema y pasan por DeepDoc: el análisis de diseño identifica si una región determinada es un título, un párrafo, una tabla, una imagen o una nota al pie; el OCR procesa los documentos escaneados; el reconocimiento de la estructura de las tablas preserva las relaciones de filas/columnas/encabezados que los analizadores de PDF estándar colapsan en texto plano. El resultado es un conjunto de fragmentos semánticamente rico que preserva la estructura del documento, no solo cadenas de texto sin procesar.

Las plantillas de fragmentación se pueden configurar por tipo de documento. RAGFlow incluye plantillas prediseñadas para texto general, preguntas y respuestas, artículos académicos, expedientes legales, documentos contables, manuales de recursos humanos y código, aplicando a cada uno la heurística adecuada para ese formato. Los usuarios pueden inspeccionar visualmente los fragmentos en la interfaz de usuario antes de la indexación, lo que permite detectar errores de análisis antes de que se propaguen y afecten la calidad de la recuperación. La fragmentación padre-hijo (agregada en la versión v0.23.0) permite una recuperación de grano grueso con una generación de respuestas de grano fino, lo que reduce la presión sobre la ventana de contexto que afecta a los enfoques ingenuos de fragmentar y recuperar.

En el lado de la recuperación, la búsqueda híbrida ejecuta simultáneamente la similitud de vectores, la coincidencia de palabras clave BM25 y la reclasificación de tensores, con una ponderación de puntuación configurable. La recuperación basada en grafos (integraciones de GraphRAG y RAPTOR) está disponible para consultas de estilo grafo de conocimiento. Las respuestas incluyen citas en línea vinculadas al documento de origen, la página y el fragmento, lo que reduce el riesgo de alucinaciones y hace que los resultados sean auditables.

La capa de agentes, reconstruida sustancialmente en la versión v0.20.0 (agosto de 2025), admite la construcción de flujos de trabajo de arrastrar y soltar, activadores de webhooks, coordinación multiagente, memoria entre sesiones (almacenamiento de memoria a nivel de usuario agregado en la versión v0.25.0) e integración de herramientas MCP introducida en 2026. El RAG agéntico significa que los agentes pueden decidir qué bases de conocimiento consultar, cuándo llamar a API externas y cómo sintetizar resultados de múltiples fuentes en una respuesta coherente.

"El modelo de reconocimiento de diseño es impresionante. Lo probé en algunas tablas complejas y superó a AWS Textract en ese escenario. Parece un ajuste fino de YOLOv8". - mpeg, Hacker News, abril de 2024

Dónde se sitúa RAGFlow frente a Haystack y Dify

Haystack de deepset es un framework de Python para construir canales RAG en código. Proporciona componentes: Recuperadores (Retrievers), Generadores (Generators), Lectores (Readers). Los desarrolladores componen estos componentes en canales usando Python, lo que les da un control arquitectónico que el enfoque centrado en la interfaz de usuario de RAGFlow no iguala. Haystack no incluye un modelo neuronal de análisis de documentos; los equipos aportan sus propios analizadores (PyMuPDF, unstructured, etc.). Haystack sobresale en industrias reguladas (The Economist, Oxford University Press y varias agencias gubernamentales lo usan en producción) donde la auditabilidad a nivel de código y la lógica de canalización personalizada son innegociables. La ventaja de RAGFlow sobre Haystack es su integridad lista para usar: no requiere ensamblaje de canales, DeepDoc maneja diseños complejos automáticamente y el producto incluye una interfaz de usuario completa. La ventaja de Haystack es la componibilidad y la capacidad de integrarse profundamente con las pilas de software existentes.

Dify es una plataforma de aplicaciones de IA más amplia. RAG es un módulo dentro de Dify, no su identidad principal. El manejo de documentos de Dify utiliza estrategias de fragmentación estándar sin un modelo neuronal dedicado al reconocimiento de diseño, lo que funciona bien para documentos de texto limpios pero se degrada en PDF con estructuras de tablas complejas, columnas mixtas o imágenes incrustadas. La base de usuarios de Dify son equipos de producto que desean crear aplicaciones impulsadas por LLM rápidamente: chatbots, automatizaciones de flujos de trabajo y aplicaciones de IA. La base de usuarios de RAGFlow son equipos cuyo problema principal es extraer información de manera confiable de documentos empresariales desordenados. Las dos herramientas pueden ser complementarias: RAGFlow como la capa de conocimiento de documentos, Dify como la capa de aplicación superior. Quivr ocupa una posición autoalojada más simple que intercambia la fidelidad de los documentos empresariales por la simplicidad de implementación.

En comparación con AnythingLLM, que se dirige a usuarios individuales y equipos pequeños con una capa superficial sobre la fragmentación estándar, RAGFlow es un nivel de producto diferente. AnythingLLM es una herramienta de productividad personal. RAGFlow es una infraestructura para organizaciones con miles de documentos y requisitos en torno a la citación de fuentes, el control de acceso y la precisión de recuperación a escala.

Cómo es la realidad del autoalojamiento

RAGFlow se ejecuta a través de Docker Compose. El requisito mínimo es una CPU con más de 4 núcleos y 16 GB de RAM, aunque las propias preguntas frecuentes señalan que 16 GB "pueden ser insuficientes si se comparte el hardware con otros servicios". Las implementaciones en el mundo real requieren regularmente 32 GB. La imagen de Docker se descomprime desde su tamaño de descarga a aproximadamente 7 GB en el disco. La pila ejecuta como mínimo dos bases de datos (Elasticsearch o Infinity, además de Redis y MinIO), un trabajador de análisis de documentos y la aplicación principal, lo que la convierte en una de las implementaciones de IA autoalojadas más pesadas en la categoría RAG de código abierto.

El rendimiento durante la ingesta de documentos es deliberadamente más lento que el de los fragmentadores más simples. Las preguntas frecuentes lo reconocen directamente: "El análisis de documentos lleva más tiempo que el de algunos competidores como LangChain porque RAGFlow implementa un esfuerzo minucioso en tareas de preprocesamiento de documentos como el análisis de diseño, el reconocimiento de la estructura de tablas y el OCR utilizando modelos de visión". Para los casos de uso en los que la calidad del documento importa más que la velocidad de ingesta, esta compensación vale la pena. Para la carga masiva de documentos de texto limpios rápidamente, la sobrecarga es más difícil de justificar.

"Mezclar múltiples analizadores de PDF sin un valor predeterminado claro es una señal de alerta. pypdf2 no es adecuado para diseños complejos". - mpeg, Hacker News, abril de 2024

La capa de agentes introdujo un cambio importante que rompió la compatibilidad en la versión v0.20.0 en agosto de 2025: todos los agentes de versiones anteriores requirieron una reconstrucción completa después de la actualización. Los equipos que habían configurado agentes de producción tuvieron que rehacer ese trabajo. InfiniFlow documentó el cambio claramente, pero refleja una tensión continua entre el ritmo de desarrollo activo y las expectativas de estabilidad en producción.

Las frustraciones con las que los usuarios de RAGFlow siguen tropezando

El uso de memoria durante el análisis de documentos es el problema de infraestructura más reportado. El problema de GitHub #11822 (presentado en 2025) describe el agotamiento de la memoria incluso con 62 GB de RAM al analizar un PDF de 5 MB. Un problema relacionado (#8490) muestra un servidor de 16 núcleos y 128 GB de RAM que se congela al analizar cuatro archivos simultáneamente. La causa principal es una fuga de memoria en PyPDF durante el procesamiento de DeepDoc, que InfiniFlow reconoció y rastreó, pero que no había resuelto por completo a partir de la versión v0.25.1. Para los equipos con infraestructura limitada, esto es un verdadero obstáculo.

El manejo de documentos multilingües tiene casos extremos, particularmente para idiomas con caracteres especiales. Los usuarios que trabajan con documentos en alemán notaron que las diéresis pueden desaparecer durante el análisis, y que las preguntas generadas automáticamente se predeterminan en inglés incluso cuando los documentos de origen están en otro idioma. Estas son soluciones alternativas viables, pero requieren un esfuerzo de ingeniería que el soporte multilingüe declarado del producto no ofrece completamente de forma predeterminada.

La brecha en la documentación de Docker entre las configuraciones de imágenes de desarrollo y producción causó confusión persistente entre los nuevos usuarios hasta finales de 2024. Un problema de GitHub catalogó esto junto con el mal funcionamiento del modo oscuro, las dificultades de integración de Infinity en Linux x64 y un error de recuperación de la ventana de edición de fragmentos. El rápido ritmo de lanzamiento del proyecto (lanzamientos aproximadamente quincenales) significa que los errores surgen y se solucionan rápidamente, pero también que cualquier lanzamiento dado puede introducir nuevos casos extremos.

Para quién está diseñado RAGFlow

RAGFlow es la opción correcta para equipos empresariales con corpus de documentos desordenados y complejos. Los bufetes de abogados que ingieren PDF de contratos con tablas de cláusulas, los analistas financieros que consultan informes de ganancias, las empresas de fabricación que integran manuales de mantenimiento en una base de conocimientos y los equipos de TI que crean mesas de ayuda internas sobre Confluence y S3 son el ajuste natural. Si sus documentos son archivos Markdown limpios o PDF simples sin tablas, el canal DeepDoc de RAGFlow es excesivo. Utilice una pila más ligera.

Está diseñado para organizaciones con requisitos locales (on-premises) o de nube privada. La licencia Apache 2.0 permite el uso comercial y la modificación sin restricciones, y la implementación completa autoalojada significa que ningún dato sale de su infraestructura. Para las industrias reguladas donde la residencia de datos es un requisito de cumplimiento, esto importa más que la facilidad de configuración.

Evite RAGFlow cuando su presupuesto de infraestructura para una sola herramienta sea inferior a 32 GB de RAM, cuando su equipo necesite una biblioteca de Python que puedan integrar en una base de código existente (recurra a Haystack o LlamaIndex), o cuando esté creando un chatbot simple sobre un conjunto de documentos pequeño y no necesite un análisis de nivel empresarial. Evítelo también si su equipo no puede tolerar cambios ocasionales que rompan la compatibilidad entre versiones, o si necesita un SaaS con soporte del proveedor con precios y SLA definidos.

RAGFlow se adapta genuinamente bien al problema para el que fue diseñado: hacer que RAG sea confiable cuando la calidad del documento es la parte difícil. Las 79,6 mil estrellas en GitHub y el reconocimiento del Octoverse de GitHub de 2025 como el proyecto de infraestructura de IA de más rápido crecimiento por la participación de los contribuyentes reflejan una tracción real con las comunidades de desarrolladores y empresas que han alcanzado los límites de las pilas RAG más simples. Ponerlo en marcha y mantenerlo estable requiere inversión en ingeniería, pero para los equipos donde la precisión de los documentos es la diferencia entre un producto de IA útil y uno poco confiable, esa inversión vale la pena.