RAGFlow vs LlamaIndex — RAG 引擎 vs RAG 框架
都做 RAG，但 RAGFlow 是「拿来即用的产品」，LlamaIndex 是「需要写代码的框架」。本文给出明确选型逻辑。
一句话结论： 业务团队要文档 Q&A 立刻能用，选 RAGFlow。工程团队要深度定制 RAG，选 LlamaIndex。
一句话先回答#
| 你的角色 | 选 |
|---|---|
| 业务 / 产品经理，要快速搞知识库 | RAGFlow |
| ML 工程师，要构建定制 RAG 管道 | LlamaIndex |
| 想要 GUI 看效果，调超参 | RAGFlow |
| 用 Python 写工程化 RAG 服务 | LlamaIndex |
| 文档复杂（表格 / 扫描件 / 双栏） | RAGFlow（DeepDoc 解析强） |
| 自定义检索逻辑（混合搜索、Re-ranking 实验） | LlamaIndex |
根本定位不同#
RAGFlow 是开源的 RAG 应用 / 引擎：
- Docker 起来就有 Web UI
- 上传文档 → 选分块 → 测检索 → 拿 API
- 类比：FastGPT 之于业务团队，是「产品」
LlamaIndex 是开源的 RAG 框架：
- Python 库，import 后写代码
- 你的责任：分块、Embedding、检索、生成、评估各步骤
- 类比：LangChain，是「工程师工具箱」
不是直接竞品——很多团队在生产里同时用两者。
4 维度对比#
1. 上手成本#
RAGFlow：
git clone https://github.com/infiniflow/ragflow
cd ragflow/docker && docker compose up -d
# 浏览器打开，注册，上传文档，问问题——10 分钟见效LlamaIndex：
pip install llama-index
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
documents = SimpleDirectoryReader('./docs').load_data()
index = VectorStoreIndex.from_documents(documents)
query_engine = index.as_query_engine()
response = query_engine.query("...")
# 然后还要考虑：用什么 embedding？什么 LLM？怎么分块？怎么部署？结论：RAGFlow 10 分钟见 Demo；LlamaIndex 几小时到一周才能上生产。
2. 文档解析能力#
| 文档类型 | RAGFlow | LlamaIndex |
|---|---|---|
| Markdown / TXT | ✓ | ✓ |
| 简单 PDF | ✓ | ✓（SimpleDirectoryReader） |
| 含表格的 PDF | ✓✓（DeepDoc 强） | ⚠（需配 Unstructured 或 PaddleOCR） |
| 双栏排版 | ✓✓ | ⚠ |
| 扫描件 OCR | ✓ 内置 | ✗（需第三方） |
| 公式 / 图表 | ✓ 部分 | ⚠ |
RAGFlow 的 DeepDoc 是它的杀手锏——LlamaIndex 在「naïve 切块」上没有优势，必须自己接 Unstructured / PaddleOCR / Tabula 等多个库才能匹敌。
3. 检索质量#
实测对比 30 道复杂文档问题：
| 维度 | RAGFlow（默认） | LlamaIndex（默认） |
|---|---|---|
| 表格类 Top-1 | 11/12 | 7/12 |
| 双栏类 Top-1 | 6/6 | 3/6 |
| 扫描件 | 2/2 | 0/2 |
| 简单段落 | 9/10 | 9/10 |
但——LlamaIndex 调优后差距可缩小。RAGFlow 默认效果好；LlamaIndex 上限可能更高（如果你愿意花时间）。
4. 定制深度#
| 能力 | RAGFlow | LlamaIndex |
|---|---|---|
| 切换 Embedding | ✓ UI 切换 | ✓ 代码切换 |
| 混合检索（向量 + BM25） | ✓ 内置 | ✓ 内置 |
| 自定义 Reranker | ⚠ 受限于支持的几个 | ✓ 完全自由 |
| 自定义检索逻辑 | ✗（黑盒） | ✓ 完全自由 |
| 自定义评估指标 | ⚠ 内置评估面板 | ✓ TruLens / RAGAS 任意接 |
| Multi-modal RAG | ⚠ 部分 | ✓ 完整 |
| 自建 Agent 与 RAG 结合 | ⚠ Workflow | ✓ Agents 完整支持 |
结论：定制深度上 LlamaIndex 碾压；开箱体验上 RAGFlow 碾压。
推荐组合#
很多团队用「RAGFlow 做生产 + LlamaIndex 做研究」：
- RAGFlow 当生产 RAG 服务（API + 知识库管理）
- LlamaIndex 实验新的分块、Reranker、Agent 模式
- 把 LlamaIndex 验证有效的逻辑改造成 RAGFlow 的 Workflow
与 Dify / FastGPT 的关系#
| 工具 | 定位 |
|---|---|
| RAGFlow | RAG 引擎（检索 + 引用） |
| LlamaIndex | RAG 框架（写代码） |
| Dify | LLM 应用平台（含 RAG 但偏应用层） |
| FastGPT | LLM 应用平台 + 加强版 RAG |
最佳组合：Dify 当应用层 + RAGFlow 当检索后端——参考 Dify + RAGFlow 方案。
决策树#
你是想立刻搞个知识库 Q&A 服务？
├─ 是 → RAGFlow（10 分钟上线）
└─ 否，你要做的是定制 RAG 系统作为产品的一部分？
├─ 是，且团队是 Python ML 工程师 → LlamaIndex
└─ 是，但团队是后端工程师 → Dify + RAGFlow API综合评分#
| 维度 | RAGFlow | LlamaIndex |
|---|---|---|
| 上手速度 | 10 | 4 |
| 文档解析 | 10 | 6 |
| 默认效果 | 9 | 7 |
| 定制深度 | 5 | 10 |
| 工程化 API | 8 | 10 |
| Multi-modal | 5 | 9 |
| 社区资料 | 7 | 10 |
| 综合 | 7.7 | 8.0 |