Le moteur open source RAG RAGFlow continue d'évoluer : il prend en charge DeepSeek v4 et l'accès multiplateforme, et le déploiement de la base de connaissances locale entre dans la phase basée sur les agents.

Faits saillants de l'actualité

• RAGFlow est un moteur RAG (Retrieval-Enhanced Generation) open source Apache-2.0. GitHub affiche 88,3 000 étoiles, 10 400 forks et 737 contributeurs, maintenant une activité élevée.
• Mises à jour récentes intensives : prise en charge de DeepSeek v4 à partir du 24/04/2026 ; prend en charge l'accès à plusieurs canaux de discussion tels que Feishu, Discord, Telegram et Line à partir du 15/06/2026.
• L'accent des fonctionnalités se déplace vers l'agentisation : la mémoire d'agent AI est introduite le 2025-12-26, et Agentic Workflow et MCP sont pris en charge le 2025-08-01.
• Le seuil de déploiement local est clair : les prérequis officiels sont CPU ≥ 4 cœurs, mémoire ≥ 16 Go, disque ≥ 50 Go et Docker ≥ 24.0.0.

Démantèlement des informations clés

Prise en charge des projets et des modèles

• Positionnement : flux de travail RAG pour les entreprises de toute taille, axé sur une compréhension approfondie des documents de "Qualité d'entrée, qualité de sortie".
• Large adaptabilité des modèles : prend en charge la série OpenAI GPT-5, DeepSeek v4, Gemini 3 Pro, etc., et peut configurer les modèles LLM et Embedding localement ou dans le cloud selon les besoins.

Compétences de base

• Template Chunking : segmentation intelligente interprétable et capable d'intervention manuelle.
• Référence prouvée : résultats de segmentation visualisés + références traçables pour réduire les illusions.
• Sources de données hétérogènes : Prise en charge de Word, PPT, Excel, TXT, documents numérisés, pages Web, etc.
• Multiple Recall + Fusion Rearrangement : Arrangement RAG automatisé, prenant en compte à la fois les particuliers et les grandes entreprises.

Accès aux données et canaux

• Prise en charge de la synchronisation des données depuis Confluence, S3, Notion, Discord, Google Drive, etc. (à partir du 2025-11-12).
• Prend en charge les méthodes d'analyse de documents telles que MinerU et Docling (à partir du 2025-10-23).
• Plusieurs canaux de discussion : Feishu, Discord, Telegram, Line (à partir du 2026-06-15).

Déploiement local

• La version actuelle de l'image Docker officielle est la v0.26.4 (sous réserve de la page officielle des versions en temps réel).
• Prérequis : CPU ≥ 4 cœurs, mémoire ≥ 16 Go, disque ≥ 50 Go, Docker ≥ 24.0.0 et Docker Compose ≥ 2.26.1 ; Elasticsearch est utilisé par défaut pour stocker le texte intégral et les vecteurs, et peut être basculé vers Infinity.

Analyse d'impact

• La base de connaissances d'entreprise passe de « capable de répondre aux questions » à « capable d'effectuer un travail » : Agent Memory + MCP fait de la base de connaissances RAG non seulement une base de données de questions et réponses, mais également capable de participer à des tâches complexes.
• Lien avec les modèles nationaux : la prise en charge de DeepSeek v4 et d'autres modèles offre aux entreprises chinoises plus de choix en termes de coûts et de conformité des données.
• L'écosystème open source accélère l'involution : les solutions open source telles que RAGFlow, Dify et AnythingLLM sont en concurrence avec les solutions cloud, et le seuil de déploiement localisé continue de diminuer.

Conseils pratiques

• Les entreprises ayant des exigences de conformité des données donnent la priorité à l'évaluation du déploiement local, et Docker Compose peut être lancé pour une utilisation à l'essai en un seul clic.
• Si la taille de l'équipe est petite, vous pouvez commencer avec le Cloud officiel RAGFlow ou Docker autonome, et vérifier les résultats avant de passer à la production.
• L'environnement de production doit planifier la stratégie de segmentation, rappeler les réarrangements et les autorisations pour éviter que « la bibliothèque soit difficile à utiliser lorsqu'elle est volumineuse ».

Sources de référence

-RAGFlow GitHub : https://github.com/infiniflow/ragflow

• Site officiel de RAGFlow : https://ragflow.io
• Documentation RAGFlow : https://ragflow.io/docs/dev/