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

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

人工智能小豪

1891人浏览 · 2025-09-05 14:38:30

人工智能小豪 · 2025-09-05 14:38:30 发布

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	RAGFlow	Dify	FastGPT	Cherry Studio	AnythingLLM
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

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
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
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。
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
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https://github.com/infiniflow/ragflow：download.zip,解压编辑/docker/.env，找到RAGFLOW_IMAGE。注释掉RAGFLOW_IMAGE=infiniflow/ragflow:v0.18.0-slim。去掉注释的# 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 https://github.com/langgenius/dify.git

或者git clone https://gitee.com/dify_ai/dify.git 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

git clone https://gitee.com/mirrors/FastGPT.git 下载源码
进入到files/docker 文件夹，使用里面的 Docker 配置。

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

我们该怎样系统的去转行学习大模型？

很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习门槛，降到了最低！

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来： 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、大模型系列视频教程（免费分享）

在这里插入图片描述

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调。

L5阶段：专题集丨特训篇【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

智能体开发者社区

中国智能体开发者社区，聚焦智能体与大模型开发，提供前沿资讯、实用工具链、开源项目及行业案例。通过技术沙龙、开发者大赛等活动，促进经验交流与协作，助力开发者快速构建创新智能应用。

更多推荐

OpenClaw 本地部署完整指南（Windows + Ollama）

本文档基于实际部署经验编写，旨在帮助你在 Windows 系统上从零开始搭建 OpenClaw，并连接本地 Ollama 模型（如 Qwen2.5 或 Qwen3），使其具备完整的智能体能力。文档包含了所有关键步骤以及常见问题的解决方案。

智能体开发者社区

OpenClaw 小白安装指南（Windows版）

（类似一个能自动执行任务的AI机器人），不是游戏。API Key只保存在你本地电脑的加密文件里，不会上传到任何地方。访问：https://github.com/miaoxworld/openclaw-manager/releases。: 一键安装脚本会自动安装Node.js 22+，如果失败，手动下载安装：https://nodejs.org/：在PowerShell中，鼠标右键就是粘贴，不需要按

智能体开发者社区

飞书 × OpenClaw 接入指南：不用服务器，用长连接把机器人跑起来

这个项目存在的意义，就是把“飞书接 OpenClaw”这件事，整理成一套的配置入口，并把官方文档没覆盖到的坑集中写成排查清单。先说清楚它的角色：OpenClaw 现在已经内置官方飞书插件 @openclaw/feishu，功能更完整、维护也更及时。，说明飞书 + AI 的接入已经走通。另外，仓库也推荐了一个新项目：把 OpenClaw 变成“多 Agent 团队”，用多个 Agent 分工，Sla