RAGFlow：新一代检索增强生成引擎架构解析

1. RAGFlow 架构概览

RAGFlow 是 Infiniflow 开源的新一代 RAG（检索增强生成）引擎，其核心设计理念是通过深度文档理解能力提升传统 RAG 系统的效果。作为一个完整的 AI 应用框架，它不仅仅实现了基础的 RAG 功能，更在文档解析、工作流编排、多模型集成等方面进行了深度优化。

1.1 核心设计特点

RAGFlow 的架构设计体现了几个关键考量：

1. 性能与灵活性的平衡：通过 Go + Python 双语言架构，既保证了 API 服务的高并发性能，又充分利用了 Python 在 AI 领域的丰富生态。

2. 文档理解深度：不同于简单的文本切分，RAGFlow 的 DeepDoc 系统能够识别文档中的复杂结构（如表格、图表、多栏布局），并保持这些语义信息在后续处理流程中不丢失。

3. 可编排的工作流：Canvas 图执行引擎允许用户通过 JSON DSL 定义复杂的工作流程，将 LLM、检索、业务逻辑等组件像搭积木一样组合起来。

4. 混合检索策略：除了传统的向量检索，还集成了全文检索、知识图谱检索等多种方式，并能智能地组合这些检索结果。

1.2 技术栈全景

RAGFlow 的技术选型反映了现代 AI 应用开发的典型特征：

• 前端：React + Vite + TailwindCSS 的现代前端组合，提供响应式管理界面
• 后端：Gin 框架支撑的 Go 服务处理 API 路由和轻量业务逻辑
• AI 计算：Python 实现的文档解析、Embedding 生成和 LLM 交互
• 数据层：
  • MySQL：存储结构化业务数据
  • MongoDB：存储文档类数据和对话历史
  • Infinity：专为 RAG 优化的向量数据库
  • Redis：缓存和任务队列
• 基础设施：Docker Compose 实现一键部署，支持扩展到 Kubernetes

2. 双语言架构深度解析

2.1 架构设计决策

在 RAGFlow 的设计中，最引人注目的就是其 Go + Python 的双服务架构。这种设计不是简单的微服务拆分，而是基于语言特性进行的深度分工：

mermaid复制graph TD
    A[React 前端] -->|HTTP| B[Go 服务]
    A -->|HTTP| C[Python 服务]
    B -->|共享存储| D[(Redis+MySQL)]
    C -->|共享存储| D
    B -->|共享存储| E[(MongoDB+S3)]
    C -->|共享存储| E

关键设计考量：

1. Go 服务的定位：

   • 处理高并发的 HTTP 请求
   • 实现认证、授权等安全层
   • 管理租户、用户等业务实体
   • 轻量级的查询和操作

2. Python 服务的定位：

   • CPU 密集型任务（文档解析、Embedding 计算）
   • 需要丰富 AI 生态支持的功能（LLM 交互、知识图谱构建）
   • 复杂业务流程执行

2.2 通信机制

两个服务之间不直接进行网络调用，而是通过共享数据层实现间接通信：

1. 数据交换方式：

   • Go 服务将需要 Python 处理的任务写入 MongoDB 或 Redis
   • Python 服务定期轮询这些存储，获取新任务
   • 处理结果写回存储，Go 服务再从存储中读取

2. 优势：

   • 解耦：任一服务崩溃不影响另一个的基本功能
   • 弹性：可以根据负载单独扩展 Python 或 Go 服务
   • 简单：避免了复杂的服务间通信协议

3. 挑战与解决方案：

   • 数据一致性：通过 Redis 分布式锁保证
   • 状态同步：使用 Redis Pub/Sub 实现进度通知
   • 性能：关键路径使用 C++ 加速（通过 SWIG 绑定）

2.3 目录结构解析

RAGFlow 的代码组织体现了清晰的层次划分：

code复制ragflow/
├── cmd/                # Go 服务入口
├── inte