最近 RAGFlow 热度很高：GitHub 上 8.8 万星的开源 RAG 引擎，8 月 19 日把 v0.27.0 推上了 release 页，改动不小。什么值得买不少朋友应该和我一样，琢磨着把它装进家里的 NAS 或者吃灰的小主机，给自己搭一个私有知识库。
但先别急着敲 docker compose，有一组数字值得先看一眼。
官方 16GB，只是"起步价"
RAGFlow 官方给的硬件要求看着不高：CPU 4 核以上、内存 16GB 以上、磁盘 50GB 以上。知乎另外对 Docker 和 Compose 版本也有要求（24.0.0+ 和 v2.26.1+），家里的 NAS 和小主机一般都能满足。
单看这个配置，家里大部分 16GB 的 NAS 和小主机都能对上号。可社区实测出来完全是另一个故事：
有博主在 i7-14700 + 16GB 内存的笔记本上装 RAGFlow 加 Dify，安装完成后内存使用值直接飙到 23.1GB，其中 RAGFlow 自己就吃了近 16GB，16GB 的笔记本基本没法用。微信公众号
也有人用威联通 Qu605 这种低功耗 NAS 成功把 RAGFlow 跑了起来，标配 16GB DDR5 内存就够用，解析 6 个 Markdown 文档不到 1 分钟。知乎
站内还有位群晖 DS920+（J4125 + 12GB 内存）的玩家在折腾本地大模型，但只能跑 llama3.2:3b 这种 3B 小模型，离 RAGFlow 全家桶还差得远。什么值得买
同样是"16GB"，三种结局完全不一样。原因很简单：16GB 是把服务拉起来的底线，好不好用，取决于你拿它干什么。
吃内存的不是问答，是解析
很多人会误判一点：RAGFlow 服务跑起来之后，静态内存占用其实没那么夸张。真正吃资源的时刻，是你把文档丢进去让 DeepDoc 解析的时候——OCR、版面分析、表格结构识别会同时压满 CPU 和内存。社区里拆解架构的文章提过，家庭环境解析任务卡死，很常见的一个原因就是内存不够被 OOM 杀掉（退出码 137）。知乎
另外别忘了 Elasticsearch 自己也要吃一块内存，想让 ES 跑得稳，社区普遍建议至少给它留 4GB 堆。知乎
所以与其问"我的机器能不能装"，不如对号入座看三档：
入门体验档：x86 + 16GB（多数 NAS、小主机在这一档）
能跑，但要守住三个条件：用默认下载的 slim 镜像（不带内置向量模型）、模型走云端 API（DeepSeek、硅基流动这类按量付费）、只喂 Markdown 和 txt 这类轻文档。微信公众号表格多、扫描件多的 PDF 就别硬上了，速度和稳定性都会翻车。前面那位威联通玩家走的就是这条路线。
标准可用档：x86 + 32GB
PDF 可以放心解析，用自带向量模型的完整镜像，还能再叠一层 Ollama 本地小模型做问答。提醒一句：接 Ollama 时记得把 num_ctx 调大，有教程把上下文窗口扩展到 8192 tokens，RAG 长文档问答效果提升明显。今日头条
劝退档：内存小于等于 12GB，或者 ARM 机器
官方镜像只出 x86，ARM 机器——包括大量群晖、自组 ARM NAS、Mac M 系列——都得自己构建镜像，门槛高还不保证稳。知乎12GB 内存连 Ollama 小模型加系统都塞不满，就别为难它了。顺带一提，v0.27 是最后一个 Python 大版本，下一个大版本起迁移 Go，Go 版即 1.0。什么值得买资源占用大概率会降，不着急的可以等一等。
家庭环境五个坑，逐条自查
系统的 vm.max_map_count 默认值太小，ES 起不来。部署前要把它调到至少 262144，NAS 上得 SSH 进去改，重启后可能失效，记得写进开机启动。知乎
国内拉官方镜像很慢，把 docker/.env 里的 RAGFLOW_IMAGE 换成华为云或阿里云镜像源。微信公众号不然 9GB 的完整镜像能让你拉到怀疑人生。知乎
默认的 80 端口可能已经被 NAS 管理页或其他服务占了，改 .env 里的 SVR_HTTP_PORT 就行。
RAGFlow 和 Dify 同机部署，注意端口打架，Dify 在 v1.0.0 版本支持插件模块之后会占用 80 和 443 端口，与 ragflow 冲突。微信公众号内存预算建议按 24GB 起步。
内存紧张的机器，先把交换空间开起来兜底，资源受限的环境里启用 Swap 是防止服务崩溃的有效妥协手段。知乎
最后算一笔账
家庭部署的门槛其实不在钱：软件本身开源（Apache 2.0 协议）。微信公众号成本主要是电费和你现有的硬件。真正的持续开销是云端模型 API 的 token——解析文档要烧，问答要烧，v0.27 新增的知识编译更是要花 LLM token，一套长文档编下来成本不低。什么值得买家庭用量小无所谓，但打算导入大文档库之前，先用一小批文档测一下成本，再决定要不要全量上。
一句话总结：16GB 以上的 x86 机器，slim 镜像加云端 API，现在就能玩；32GB 才算舒适区；12GB 以下和 ARM 机器，建议等 Go 版 1.0。
