RAGFlow、Dify、FastGPT、Cherrystudio、Anythingllm比较及部署教程

AI大模型
295 阅读7分钟

1.各大AI平台工具比较

以下是 RAGFlow、Dify、FastGPT、Cherry Studio 和 AnythingLLM 五款工具的详细对比，结合核心定位、技术特点、适用场景等维度，助你快速决策：

📊 核心功能与定位对比

工具核心定位核心优势适用场景
RAGFlow企业级复杂文档处理专家- 深度文档理解（扫描件/表格/影印件） - 多路召回+重排序优化，高精度检索 - 支持复杂格式解析（OCR/表格识别）法律合同审查、医疗报告分析、金融财报解析
Dify低代码AI应用工厂- 可视化工作流编排（Chatflow/Workflow） - 支持数百种模型（开源/闭源） - 灵活Agent框架与插件扩展智能客服系统、多模型A/B测试、营销内容生成
FastGPT轻量级问答部署利器- 开箱即用知识库问答 - 预设模板快速配置 - 低资源消耗（2核8G可运行）教育FAQ、电商客服、企业内部知识库
Cherry Studio轻量原型工具- 桌面端零配置运行 - 多模型集成（30+开源模型） - 拖拽式操作小微团队创意验证、个人知识管理
AnythingLLM全栈私有化方案- 数据100%本地化 - 企业级权限管理（多用户/工作区隔离） - 支持200+文档格式法律案例库、制造业工艺文档管理

⚙️ 关键技术能力对比

维度RAGFlowDifyFastGPTCherry StudioAnythingLLM
文档处理✅ 复杂格式（扫描件/表格）⚠️ 基础文本解析⚠️ 基础文本解析⚠️ 常见格式（PDF/Word）✅ 多格式（200+）
检索精度✅ 多路召回+LLM重排序⚠️ 向量检索依赖外部模型⚠️ 基础向量检索⚠️ 基础检索⚠️ 常规向量检索
模型支持❌ 依赖内置RAG流程✅ 数百种模型自由切换✅ 主流模型（OpenAI/ChatGLM）✅ 多API集成（DeepSeek等）✅ 本地/云端模型混合部署
隐私安全✅ 本地部署+数据控制⚠️ 需配置私有化⚠️ 依赖部署方式✅ 完全本地化✅ 全链路数据不离开本地
部署复杂度⚠️ 高（16G+内存）⚠️ 中（Docker/K8s）✅ 低（一键Docker）✅ 极低（桌面应用）✅ 中（桌面/Docker）

🎯 适用场景与用户推荐

  1. 选择 RAGFlow 若：

    • 需处理法律合同、医疗影像等专业文档，对答案准确性要求严苛；
    • 企业有高并发需求且预算充足（适合大型团队）。
    • 深度文档解析能力+多路召回策略，答案准确性和可追溯性最佳

  2. 选择 Dify 若：

    • 需快速搭建多模型协作应用（如智能客服、自动化数据分析）；
    • 开发者需低代码工具实现复杂业务流程。
    • 可视化编排+生态整合能力，适合技术团队快速迭代

  3. 选择 FastGPT 若：

    • 追求48小时内上线问答系统（如电商客服）；
    • 中小项目资源有限，需性价比较高的轻量方案。

  4. 选择 Cherry Studio 若：

    • 个人或5人以下团队快速验证AI创意（如竞品分析库）；
    • 非技术人员需要零配置桌面工具。
    • 中小型知识库优化，需结合特定嵌入模型提升回答质量
    • 测试中表现优于AnythingLLM，适合对回答全面性要求较高的场景

  5. 选择 AnythingLLM 若：

    • 数据隐私绝对优先（如政府/金融内部知识库）；
    • 需多部门工作区隔离与权限管控（50人内团队）。
    • 完全本地化部署，开箱即用，适合非技术用户

💎 总结建议

  • 企业级复杂文档处理 → RAGFlow（精度碾压）；
  • 快速开发AI应用 → Dify（生态最灵活）；
  • 轻量级知识库上线 → FastGPT（部署最快）；
  • 个人/小微团队原型验证 → Cherry Studio（无需部署）；
  • 全私有化数据安全 → AnythingLLM（隐私天花板）。

💡 提示：工具选型需综合文档复杂度、开发资源、隐私等级三要素。例如：医疗机构处理扫描报告选RAGFlow，初创公司做智能客服选Dify或FastGPT。

2.RAGFlow部署流程

  • Windows系统安装wsl:

    • 打开程序和功能中的虚拟机平台和适用于linuxs的window子系统。
    • 下载wsl即应用商店下载Ubuntu，打开设置账户密码。
    • cmd-----wsl -l -v 用wsl2版本。Win10需要升级为2。
    • 设置默认为wsl2版本：wsl --set-default-version 2

  • 安装docker desktop设置里的resources里更改镜像存储位置。应用后重启。

  • 创建RAGFLOW容器或者叫环境。

    • 检查值max_map_count要不小于262144：

      • wsl -d docker-desktop -u root
      • sysctl vm.max_map_count。
      • 小于时要修改，vi /etc/sysctl.conf。修改后保存退出，使用sysctl -p重启服务

    • 下载代码github.com/infiniflow/… RAGFLOW_IMAGE=infiniflow/ragflow:v0.18.0。因为带有slim的里边没有嵌入模型，要下带有嵌入模型的。

    • 下载嵌入模型。Cmd进入ragflow-main/docker。执行命令：docker compose -f docker-compose.yml up -d（会下载5个服务ragflow-es-01\ragflow-mysql\ragflow-minio\ragflow-redis\ragflow-server）.如果下载不下来如下下操作：

在dockers engine中添加镜像源:

"registry-mirrors": [
    "https://docker.m.daocloud.io",
    "https://docker.1panel.live",
    "https://registry.docker-cn.com",
    "https://cr.console.aliyun.com",
    "https://mirror.ccs.tencentyun.com",
    "https://huecker.io/",
    "https://dockerhub.timeweb.cloud",
    "https://noohub.ru/",
    "https://dockerproxy.com",
    "https://docker.mirrors.ustc.edu.cn",
    "https://docker.nju.edu.cn",
    "https://xx4bwyg2.mirror.aliyuncs.com",
    "http://f1361db2.m.daocloud.io",
    "https://registry.docker-cn.com",
    "http://hub-mirror.c.163.com",
    "https://docker.mirrors.ustc.edu.cn",
    "https://docker.registry.cyou",
    "https://docker-cf.registry.cyou",
    "https://dockercf.jsdelivr.fyi",
    "https://docker.jsdelivr.fyi",
    "https://dockertest.jsdelivr.fyi",
    "https://mirror.aliyuncs.com",
    "https://dockerproxy.com",
    "https://mirror.baidubce.com",
    "https://docker.m.daocloud.io",
    "https://docker.nju.edu.cn",
    "https://docker.mirrors.sjtug.sjtu.edu.cn",
    "https://docker.mirrors.ustc.edu.cn",
    "https://mirror.iscas.ac.cn",
    "https://docker.rainbond.cc"
]

添加界面如图：

  • 修改后，apply&restart,再执行下载命令就可以了。

这样Ragflow就安装完了。Docker上可以看到刚才下的5个服务可以运行了，然后浏览器进入127.0.0.1即可进入。

  • 配置模型。浏览器进入127.0.0.1后

    • cmd:ollama pull nomic-embed-text 拉取嵌入向量模型
    • 配置嵌入向量模型

同样道理添加chat模型：deepseek-r1:14b

注意：要把上述添加的模型，添加到默认设置里。

  • 创建知识库：然后创建添加文件即可

3. dify 部署流程

  • git clone github.com/langgenius/…

    或者git clone gitee.com/dify_ai/dif… 下载源码

  • 进入到下载的docker文件夹内，把.env.example文件名改为.env

  • 在当前目录cmd,执行docker compose -p <工程命> up -d命令。通过docker compose部署Dify，Docker会自动拉取Dify所需的依赖。

  • 在 Dify 里面，上传文件会有 15M 的单个限制，需要改个配置。

  • 打开 docker 文件夹里的 .env 文件，把下面两条的 15 改成 150 即可：

# Upload file size limit, default 15M.
UPLOAD_FILE_SIZE_LIMIT=15

NGINX_CLIENT_MAX_BODY_SIZE=15M

4.Fastgpt部署教程

​ 与 Dify 不同，FastGPT 需要一些额外配置。默认情况下没有 docker-compose.yml 文件，因此启动时需要指定，例如官方推荐的 docker-compose-pgvector.yml。此外，还需要创建一个 config.json 配置文件放在 docker 目录下

  • 配置好后，执行以下命令来启动：

    docker compose -f docker-compose-pgvector.yml up -d

    完成后，可以通过浏览器访问 http://localhost:3000 来使用 FastGPT。

​ FastGPT 的配置比 Dify 稍微复杂一些，需要在 http://localhost:3001 配置模型，并修改 config.json 来匹配你的需求。

修改config.json文件中的mcpServerProxyEndpoint值，设置成mcp server的公网可访问地址，yml 文件中默认给出了映射到 3005 端口，如通过 IP 访问，则可能是：120.172.2.10:3005。

  • 配置模型

首次登录FastGPT后，系统会提示未配置语言模型和索引模型，并自动跳转模型配置页面。系统必须至少有这两类模型才能正常使用。

FastGPT 模型配置页面地址是 http://localhost:3001，默认账号是 root，密码是 123456。

  • 访问Fastgpt

目前可以通过 ip:3000 直接访问(注意开放防火墙)。登录用户名为 root，密码为docker-compose.yml环境变量里设置的 DEFAULT_ROOT_PSW。或者密码可以在 config.json 中找到，默认是 1234。

如果需要域名访问，请自行安装并配置 Nginx。

————————————————

其他问题

  • 如果系统未正常跳转，可以在账号-模型提供商页面，进行模型配置。点击查看相关教程
  • 目前已知可能问题：首次进入系统后，整个浏览器 tab 无法响应。此时需要删除该tab，重新打开一次即可。

5. Cherrystudio部署教程

安装包直接安装

6. AnythingLLM 部署

直接安装

原文地址：https://www.cnblogs.com/youyousun/articles/18931828

avatar
文章
阅读
粉丝