Que RAGFlow vaille la peine dépend de la question de savoir si vos documents sont vraiment « difficiles à digérer ». C'est le moteur RAG publié en open source par InfiniFlow sur GitHub, axé sur l'analyse approfondie des documents : PDF numérisés, documents avec tableaux et mises en page, et documents mêlant texte et images peuvent d'abord être découpés en fragments structurés puis indexés, avec des citations jointes aux réponses. Si votre base de connaissances ne comporte qu'un petit nombre de pages web en texte brut et propres, cette puissance d'analyse reste inutilisée, et l'effort en vaut bien moins la peine.
Les informations officielles du dépôt sont indiquées ici dans le texte : la plateforme est GitHub, l'organisation est InfiniFlow, le projet est RAGFlow, et la licence est Apache 2.0. Le système se compose de plusieurs conteneurs : RAGFlow lui-même gère l'interface, l'API et l'exécution des tâches ; Elasticsearch ou Infinity sert de moteur documentaire ; MySQL stocke les métadonnées ; Redis met en file les tâches d'analyse ; et le stockage objet conserve les fichiers téléversés. Les modèles doivent être connectés par vos soins ; dans la version open source 1.0, le parseur DeepDoc utilisé fonctionne en inférence CPU et s'occupe de l'analyse de mise en page, de l'OCR et de la reconnaissance de tableaux.
Coût de déploiement : partir de la configuration recommandée
La configuration de départ officiellement recommandée est de 4 cœurs CPU, 16 Go de mémoire et 50 Go de disque, avec Docker 24.0.0 ou supérieur et Docker Compose v2.26.1 ou supérieur. Le déploiement consiste à cloner le dépôt, entrer dans le répertoire docker et démarrer les images préconstruites avec Docker Compose ; avec Elasticsearch, il faut régler vm.max_map_count sur l'hôte à au moins 262144. Les images préconstruites ne sont pour l'instant fournies que pour x86, les machines ARM64 doivent donc consulter les notes officielles. Le coût réel suit le volume de documents, les tâches d'analyse et la concurrence ; le CPU est le goulot d'étranglement lors de l'analyse en masse de documents numérisés, alors testez d'abord le parcours complet avec quelques dizaines de documents réels, puis fixez la configuration de production.
Il y a quatre vrais pièges. Premièrement, la qualité de l'analyse dépend des documents eux-mêmes : scans flous, tableaux à cheval sur plusieurs pages et mises en page inhabituelles doivent d'abord être contrôlés par échantillonnage, car une fois l'analyse fausse, régler le découpage ensuite ne sauvera rien. Deuxièmement, les modèles doivent être configurés par vos soins : si le modèle de chat, le modèle d'embedding ou le modèle de reranking est mal choisi, la qualité des réponses et le coût se dégradent ensemble, alors fixez la source et la facturation des trois modèles avant de déployer. Troisièmement, exploiter une pile multi-conteneurs est un coût permanent : mises à jour, sauvegardes et nettoyage du disque exigent un responsable, et les personnes qui veulent « installer une fois et oublier » se retrouvent facilement, des mois plus tard, avec une vieille version non maintenue. Quatrièmement, une citation jointe à une réponse ne signifie pas que la citation est forcément exacte ; pour les contrats ou les documents de conformité, il faut contrôler le texte original par échantillonnage, et l'isolation des permissions doit être configurée selon la structure réelle de l'organisation.
Il convient aux personnes qui détiennent de gros volumes de PDF, de scans et de documents tabulaires, ont besoin de réponses traçables et sont prêtes à maintenir elles-mêmes une pile Docker, qu'il s'agisse d'une équipe ou d'un développeur individuel. Il ne convient pas aux personnes dont les documents sont peu nombreux, proprement formatés et qui veulent seulement une démo de questions-réponses rapide, qui iront plus vite avec une solution plus légère ou un service hébergé ; ni aux personnes sans temps d'exploitation qui veulent quelque chose qui fonctionne d'emblée, car la puissance d'analyse ne compense pas un manque de maintenance. Essayez d'abord l'analyse avec le service cloud officiel, et ne décidez de l'auto-hébergement qu'une fois les résultats confirmés bons.
