RAGFlow

RAGFlow est un moteur de génération augmentée par la recherche (RAG) de bout en bout et open-source, développé par InfiniFlow, une entreprise chinoise d'infrastructure d'IA. Il a été rendu open-source le 1er avril 2024, sous licence Apache 2.0, et est devenu l'un des projets d'infrastructure d'IA les plus populaires sur GitHub, atteignant 79.6k étoiles en avril 2026. Contrairement aux bibliothèques de frameworks telles que Haystack ou LlamaIndex, RAGFlow est fourni comme un système déployable complet : pipeline d'ingestion de documents, moteur de découpage (chunking), recherche vectorielle et plein texte, intégration LLM, interface utilisateur web et couche d'orchestration d'agents, le tout dans un seul déploiement Docker. Son principal différenciateur technique est DeepDoc, un sous-système interne d'analyse de documents qui utilise un modèle de reconnaissance de mise en page YOLOv8 affiné, l'OCR et la reconnaissance de la structure des tableaux pour extraire des données structurées précises à partir de PDF d'entreprise complexes avant même que le processus RAG ne commence.

La plateforme prend en charge la recherche hybride combinant la recherche vectorielle dense, la recherche plein texte BM25 et le reclassement (reranking) basé sur des tenseurs, fournis via la propre base de données Infinity d'InfiniFlow ou Elasticsearch 9.x en option. Depuis la version v0.25.1 (30 avril 2026), RAGFlow s'est largement développé au-delà de ses origines de RAG documentaire : il inclut un constructeur de flux de travail agentique avec intégration MCP, des pipelines multi-agents, un stockage de mémoire au niveau de l'utilisateur, des entrées/sorties vocales, des connecteurs de sources de données vers Confluence, Google Drive, Notion, S3, GitHub, Slack, DingTalk et des flux RSS, ainsi que l'exécution de code en bac à sable (sandbox) au sein des flux d'agents. Il prend en charge les principaux LLM, notamment GPT-5, DeepSeek v4, Gemini 3 Pro, Claude, et les modèles locaux via Ollama et Xinference. Des fonctionnalités telles que des réponses citées et traçables avec mise en évidence des sources et une interface visuelle d'inspection des fragments (chunks) s'attaquent au problème du « garbage in, garbage out » qui mine la plupart des implémentations RAG naïves.

Ce que fait réellement RAGFlow en mai 2026

L'architecture de RAGFlow s'articule autour d'un pipeline à trois couches : ETL, recherche et génération. La couche ETL est celle où RAGFlow se démarque le plus clairement des piles plus simples. Les documents entrent dans le système et passent par DeepDoc : l'analyse de la mise en page identifie si une région donnée est un titre, un paragraphe, un tableau, une image ou une note de bas de page ; l'OCR traite les documents numérisés ; la reconnaissance de la structure des tableaux préserve les relations ligne/colonne/en-tête que les analyseurs PDF standard réduisent à du texte plat. Le résultat est un ensemble de fragments sémantiquement riches qui préservent la structure du document, et non de simples chaînes de caractères brutes.

Les modèles de découpage (chunking) sont configurables par type de document. RAGFlow est livré avec des modèles prédéfinis pour le texte général, les Q&R, les articles universitaires, les dossiers juridiques, les documents comptables, les manuels RH et le code, chacun appliquant des heuristiques appropriées à ce format. Les utilisateurs peuvent inspecter visuellement les fragments dans l'interface utilisateur avant l'indexation, ce qui permet de repérer les erreurs d'analyse avant qu'elles ne se propagent et n'affectent la qualité de la recherche. Le découpage parent-enfant (ajouté dans la v0.23.0) permet une recherche à gros grains avec une génération de réponses à grains fins, réduisant ainsi la pression sur la fenêtre de contexte qui affecte les approches naïves de découpage et de recherche.

Côté recherche, la recherche hybride exécute simultanément la similarité vectorielle, la correspondance de mots-clés BM25 et le reclassement par tenseurs, avec une pondération des scores configurable. La recherche basée sur des graphes (intégrations GraphRAG et RAPTOR) est disponible pour les requêtes de type graphe de connaissances. Les réponses incluent des citations intégrées épinglées au document source, à la page et au fragment, ce qui réduit le risque d'hallucination et rend les résultats auditables.

La couche agent, substantiellement reconstruite dans la v0.20.0 (août 2025), prend en charge la construction de flux de travail par glisser-déposer, les déclencheurs webhook, la coordination multi-agents, la mémoire entre les sessions (stockage de mémoire au niveau de l'utilisateur ajouté dans la v0.25.0) et l'intégration de l'outil MCP introduite en 2026. Le RAG agentique signifie que les agents peuvent décider quelles bases de connaissances interroger, quand appeler des API externes et comment synthétiser des résultats multi-sources en une réponse cohérente.

"Le modèle de reconnaissance de mise en page est impressionnant. Je l'ai testé sur des tableaux complexes et il a surpassé AWS Textract dans ce scénario. On dirait un fine-tuning de YOLOv8." - mpeg, Hacker News, avril 2024

Où se situe RAGFlow par rapport à Haystack et Dify

Haystack de deepset est un framework Python permettant de créer des pipelines RAG dans le code. Il fournit des composants : Retrievers, Generators, Readers. Les développeurs assemblent ces composants en pipelines à l'aide de Python, ce qui leur donne un contrôle architectural que l'approche axée sur l'interface utilisateur de RAGFlow n'égale pas. Haystack n'est pas livré avec un modèle neuronal d'analyse de documents ; les équipes apportent leurs propres analyseurs (PyMuPDF, unstructured, etc.). Haystack excelle dans les secteurs réglementés (The Economist, Oxford University Press et plusieurs agences gouvernementales l'utilisent en production) où l'auditabilité au niveau du code et la logique de pipeline personnalisée sont non négociables. L'avantage de RAGFlow sur Haystack est son exhaustivité clé en main : aucun assemblage de pipeline n'est requis, DeepDoc gère automatiquement les mises en page complexes et une interface utilisateur complète est fournie avec le produit. L'avantage de Haystack est sa composabilité et sa capacité à s'intégrer profondément aux piles logicielles existantes.

Dify est une plateforme d'applications d'IA plus large. Le RAG est un module au sein de Dify, et non son identité principale. Le traitement des documents de Dify utilise des stratégies de découpage standard sans modèle neuronal dédié à la reconnaissance de la mise en page, ce qui fonctionne bien pour les documents textuels propres mais se dégrade pour les PDF avec des structures de tableaux complexes, des colonnes mixtes ou des images intégrées. La base d'utilisateurs de Dify est constituée d'équipes produit qui souhaitent créer rapidement des applications basées sur les LLM : chatbots, automatisations de flux de travail et applications d'IA. La base d'utilisateurs de RAGFlow est constituée d'équipes dont le problème principal est d'extraire de manière fiable des informations à partir de documents d'entreprise désordonnés. Les deux outils peuvent être complémentaires : RAGFlow comme couche de connaissances documentaires, Dify comme couche applicative par-dessus. Quivr occupe une position auto-hébergée plus simple qui sacrifie la fidélité des documents d'entreprise au profit de la simplicité de déploiement.

Comparé à AnythingLLM, qui cible les utilisateurs individuels et les petites équipes avec une fine surcouche par-dessus un découpage standard, RAGFlow est un produit d'une tout autre envergure. AnythingLLM est un outil de productivité personnelle. RAGFlow est une infrastructure pour les organisations ayant des milliers de documents et des exigences en matière de citation des sources, de contrôle d'accès et de précision de recherche à grande échelle.

À quoi ressemble la réalité de l'auto-hébergement

RAGFlow fonctionne via Docker Compose. La configuration minimale requise est un processeur avec 4 cœurs ou plus et 16GB de RAM, bien que la FAQ elle-même note que 16GB "peuvent être justes si le matériel est partagé avec d'autres services". Les déploiements en conditions réelles nécessitent régulièrement 32GB. L'image Docker se décompresse de sa taille de téléchargement à environ 7GB sur le disque. La pile exécute au minimum deux bases de données (Elasticsearch ou Infinity, plus Redis et MinIO), un worker d'analyse de documents et l'application principale, ce qui en fait l'un des déploiements d'IA auto-hébergés les plus lourds dans la catégorie RAG open-source.

Les performances lors de l'ingestion de documents sont délibérément plus lentes que celles des outils de découpage plus simples. La FAQ le reconnaît directement : "L'analyse des documents prend plus de temps que chez certains concurrents comme LangChain car RAGFlow consacre des efforts minutieux aux tâches de prétraitement des documents telles que l'analyse de la mise en page, la reconnaissance de la structure des tableaux et l'OCR à l'aide de modèles de vision." Pour les cas d'usage où la qualité du document compte plus que la vitesse d'ingestion, ce compromis en vaut la peine. Pour le chargement en masse et rapide de documents textuels propres, cette surcharge est plus difficile à justifier.

"Mélanger plusieurs analyseurs PDF sans option par défaut claire est un signal d'alarme. pypdf2 n'est pas bien adapté aux mises en page complexes." - mpeg, Hacker News, avril 2024

La couche agent a introduit un changement majeur (breaking change) lors de la v0.20.0 en août 2025 : tous les agents des versions antérieures ont nécessité une reconstruction complète après la mise à niveau. Les équipes qui avaient configuré des agents en production ont dû refaire ce travail. InfiniFlow a documenté le changement clairement, mais cela reflète une tension continue entre le rythme de développement actif et les attentes de stabilité en production.

Les frustrations que les utilisateurs de RAGFlow rencontrent régulièrement

L'utilisation de la mémoire lors de l'analyse des documents est le problème d'infrastructure le plus signalé. L'Issue GitHub #11822 (ouverte en 2025) décrit un épuisement de la mémoire même avec 62GB de RAM lors de l'analyse d'un PDF de 5MB. Une issue connexe (#8490) montre un serveur de 16 cœurs et 128GB de RAM se figeant lors de l'analyse de quatre fichiers simultanément. La cause première est une fuite de mémoire dans PyPDF pendant le traitement DeepDoc, qu'InfiniFlow a reconnue et suivie mais n'avait pas entièrement résolue à la version v0.25.1. Pour les équipes disposant d'une infrastructure limitée, c'est un véritable point de blocage.

La gestion des documents multilingues présente des cas particuliers, notamment pour les langues avec des caractères spéciaux. Les utilisateurs travaillant avec des documents en allemand ont noté que les trémas peuvent disparaître lors de l'analyse, et que les questions générées automatiquement sont par défaut en anglais même lorsque les documents sources sont dans une autre langue. Ce sont des problèmes contournables, mais ils nécessitent un effort d'ingénierie que le support multilingue annoncé par le produit ne fournit pas entièrement de manière native.

L'écart de documentation Docker entre les configurations d'images de développement et de production a causé une confusion persistante parmi les nouveaux utilisateurs jusqu'à fin 2024. Une Issue GitHub a catalogué cela aux côtés du non-fonctionnement du mode sombre, des difficultés d'intégration d'Infinity sur Linux x64 et d'un bug de récupération de la fenêtre d'édition des fragments. Le rythme de publication rapide du projet (environ des versions bihebdomadaires) signifie que les bugs apparaissent et sont corrigés rapidement, mais aussi que n'importe quelle version peut introduire de nouveaux cas particuliers.

Pour qui RAGFlow est-il conçu ?

RAGFlow est le bon choix pour les équipes d'entreprise disposant de corpus de documents complexes et désordonnés. Les cabinets juridiques ingérant des PDF de contrats avec des tableaux de clauses, les analystes financiers interrogeant des rapports de résultats, les entreprises manufacturières intégrant des manuels de maintenance dans une base de connaissances, et les équipes informatiques créant des services d'assistance internes sur Confluence et S3 sont les cibles naturelles. Si vos documents sont des fichiers Markdown propres ou de simples PDF sans tableaux, le pipeline DeepDoc de RAGFlow est disproportionné. Utilisez une pile plus légère.

Il est conçu pour les organisations ayant des exigences sur site (on-premises) ou de cloud privé. La licence Apache 2.0 autorise l'utilisation commerciale et la modification sans restriction, et le déploiement entièrement auto-hébergé signifie qu'aucune donnée ne quitte votre infrastructure. Pour les secteurs réglementés où la résidence des données est une exigence de conformité, cela compte plus que la facilité de configuration.

Évitez RAGFlow si votre budget d'infrastructure pour un seul outil est inférieur à 32GB de RAM, si votre équipe a besoin d'une bibliothèque Python qu'elle peut intégrer dans une base de code existante (tournez-vous vers Haystack ou LlamaIndex), ou si vous créez un simple chatbot sur un petit ensemble de documents et n'avez pas besoin d'une analyse de niveau entreprise. Évitez-le également si votre équipe ne peut pas tolérer des changements majeurs (breaking changes) occasionnels entre les versions, ou si vous avez besoin d'un SaaS pris en charge par un fournisseur avec une tarification et des SLA définis.

RAGFlow est véritablement bien adapté au problème pour lequel il a été conçu : rendre le RAG fiable lorsque la qualité des documents est la partie difficile. Les 79.6k étoiles sur GitHub et la reconnaissance de l'Octoverse 2025 de GitHub en tant que projet d'infrastructure d'IA à la croissance la plus rapide en termes d'engagement des contributeurs reflètent une réelle traction auprès des communautés de développeurs et d'entreprises qui ont atteint les limites des piles RAG plus simples. Le faire fonctionner et le maintenir stable nécessite un investissement en ingénierie, mais pour les équipes où la précision des documents fait la différence entre un produit d'IA utile et un produit non fiable, cet investissement est rentable.