Die Open-Source-RAG-Engine RAGFlow entwickelt sich weiter: Sie unterstützt DeepSeek v4 und den Zugriff auf mehrere Plattformen, und die Bereitstellung lokaler Wissensdatenbanken tritt in die agentenbasierte Phase ein.

Nachrichten-Highlights

• RAGFlow ist eine Apache-2.0-Open-Source-RAG-Engine (Retrieval-Enhanced Generation). GitHub zeigt 88,3.000 Sterne, 10,4.000 Forks und 737 Mitwirkende, was eine hohe Aktivität gewährleistet.
• Intensive aktuelle Updates: Unterstützt DeepSeek v4 vom 24.04.2026; Unterstützt den Zugriff auf mehrere Chat-Kanäle wie Feishu, Discord, Telegram und Line ab dem 15.06.2026. – Der Schwerpunkt der Funktionen verlagert sich auf die Agentisierung: AI Agent Memory wird am 26.12.2025 eingeführt und Agentic Workflow und MCP werden am 01.08.2025 unterstützt.
• Der Schwellenwert für die lokale Bereitstellung ist klar: Die offiziellen Voraussetzungen sind CPU ≥ 4 Kerne, Speicher ≥ 16 GB, Festplatte ≥ 50 GB und Docker ≥ 24.0.0.

Abbau wichtiger Informationen

Projekt- und Modellunterstützung

• Positionierung: RAG-Workflow für Unternehmen jeder Größe, mit Fokus auf ein tiefgreifendes Dokumentenverständnis von „Quality in, Quality out“.
• Breite Modellanpassungsfähigkeit: Unterstützt die OpenAI GPT-5-Serie, DeepSeek v4, Gemini 3 Pro usw. und kann LLM- und Embedding-Modelle je nach Bedarf lokal oder in der Cloud konfigurieren.

Kernkompetenzen

• Template Chunking: Intelligente Segmentierung, die interpretierbar ist und manuelle Eingriffe ermöglicht.
• Nachgewiesene Referenz: Visualisierte Segmentierungsergebnisse + nachvollziehbare Referenzen zur Reduzierung von Illusionen.
• Heterogene Datenquellen: Unterstützt Word, PPT, Excel, TXT, gescannte Dokumente, Webseiten usw.
• Multiple Recall + Fusion Rearrangement: Automatisierte RAG-Anordnung, die sowohl Einzelpersonen als auch große Unternehmen berücksichtigt.

Datenzugriff und Kanäle

• Unterstützt die Datensynchronisierung von Confluence, S3, Notion, Discord, Google Drive usw. (vom 12.11.2025).
• Unterstützt Methoden zum Parsen von Dokumenten wie MinerU und Docling (vom 23.10.2025).
• Mehrere Chat-Kanäle: Feishu, Discord, Telegram, Line (ab 15.06.2026).

Lokale Bereitstellung

– Die aktuelle Version des offiziellen Docker-Images ist v0.26.4 (vorbehaltlich der offiziellen Echtzeit-Release-Seite).

• Voraussetzungen: CPU ≥ 4 Kerne, Speicher ≥ 16 GB, Festplatte ≥ 50 GB, Docker ≥ 24.0.0 und Docker Compose ≥ 2.26.1; Elasticsearch wird standardmäßig zum Speichern von Volltext und Vektoren verwendet und kann auf Infinity umgestellt werden.

Wirkungsanalyse

• Die Wissensdatenbank des Unternehmens wechselt von „fähig, Fragen zu beantworten“ zu „fähig, Arbeit zu erledigen“: Agent Memory + MCP macht die RAG-Wissensdatenbank nicht nur zu einer Frage- und Antwortdatenbank, sondern auch in der Lage, an komplexen Aufgaben teilzunehmen.
• Inländische Modellverknüpfung: Durch die Unterstützung von DeepSeek v4 und anderen Modellen haben chinesische Unternehmen mehr Auswahlmöglichkeiten bei der Kosten- und Datenkonformität.
• Open-Source-Ökosystem beschleunigt die Involution: Open-Source-Lösungen wie RAGFlow, Dify und AnythingLLM konkurrieren mit Cloud-Lösungen, und die Schwelle für eine lokalisierte Bereitstellung sinkt weiter.

Praktische Ratschläge

– Unternehmen mit Daten-Compliance-Anforderungen geben der Evaluierung der lokalen Bereitstellung Vorrang, und Docker Compose kann mit einem Klick zur Testnutzung gestartet werden. – Wenn die Teamgröße klein ist, können Sie mit der offiziellen RAGFlow-Cloud oder dem eigenständigen Docker beginnen und die Ergebnisse überprüfen, bevor Sie zur Produktion übergehen.

• Die Produktionsumgebung muss die Segmentierungsstrategie planen, Neuanordnungen und Berechtigungen abrufen, um zu vermeiden, dass „die Bibliothek schwierig zu verwenden ist, wenn sie groß ist“.

Referenzquellen

• RAGFlow GitHub: https://github.com/infiniflow/ragflow
• Offizielle RAGFlow-Website: https://ragflow.io
• RAGFlow-Dokumentation: https://ragflow.io/docs/dev/