Tín hiệu: infiniflow/ragflow đang ở khoảng 90.900 sao (cập nhật 18/09), là một trong những engine RAG mã nguồn mở tăng trưởng nhanh nhất trên GitHub. Stack lõi: Python + engine truy hồi tài liệu sâu (deep document understanding), có sẵn giao diện web, API, và tầng phân tích layout tài liệu. Giấy phép Apache License 2.0 — tôi đã kiểm tra trực tiếp file LICENSE trên repo. Đây là mốc quan trọng nhất cho bất kỳ ai muốn kiếm tiền từ nó, và tôi sẽ mổ xẻ ngay bên dưới trước khi bàn tới mô hình dịch vụ.
RAGFlow không phải là “một con chatbot đọc PDF” như phần lớn boilerplate ngoài kia. Điểm khác biệt nằm ở khâu bóc tách tài liệu: nó parse được bảng biểu, hoá đơn, layout nhiều cột, tài liệu scan — thứ mà pipeline RAG ngây thơ (chunk theo ký tự rồi nhét vào vector store) thường làm hỏng. Với thị trường Việt, nơi hợp đồng, quyết định, biểu mẫu và tài liệu nội bộ đầy bảng và dấu, khả năng này chính là khoảng cách giữa một demo và một dịch vụ có người trả tiền.
Phân tích giấy phép: bạn được bán lại tới đâu?
Apache 2.0 là giấy phép permissive: bạn được self-host, chỉnh sửa, đóng gói và bán dịch vụ thương mại dựa trên RAGFlow mà không phải trả phí bản quyền, không bị buộc mở mã phần bạn viết thêm. Điều kiện chính là giữ thông báo bản quyền và file NOTICE nếu có, và bạn không được dùng thương hiệu “RAGFlow”/”InfiniFlow” để ám chỉ họ bảo chứng cho sản phẩm của bạn. Nói thẳng: bạn hoàn toàn có thể dựng một dịch vụ hỏi đáp tài liệu, đặt tên riêng, tính phí theo tháng cho doanh nghiệp — và đó là cách dùng hợp lệ.
Ba cảnh báo trung thực trước khi bạn hí hửng. Thứ nhất, Apache 2.0 áp cho lõi RAGFlow, nhưng khi triển khai bạn sẽ ghép thêm model embedding, LLM và vector store — mỗi thành phần có giấy phép riêng, phải rà lại từng cái (ví dụ một số model chỉ cho nghiên cứu, không cho thương mại). Thứ hai, nếu bạn gọi API của OpenAI/Google để sinh câu trả lời, chi phí token là biến phí thật, không phải “miễn phí vì mã nguồn mở”. Thứ ba, dữ liệu khách hàng là tài liệu nội bộ nhạy cảm — nghĩa vụ pháp lý về bảo mật thuộc về bạn, người bán dịch vụ, chứ không phải repo. Ai bỏ qua ba điểm này thường vỡ trận ở tháng thứ ba, không phải ở bản demo.
XÂY GÌ · BÁN CHO AI · VALIDATE
Dưới đây là ba hướng đóng gói, xếp theo độ khó tăng dần. Con số thời gian là ước lượng cho một builder đã quen Docker và một API LLM, làm nghiêm túc chứ không phải cuối tuần.
Hướng 1 — Dịch vụ hỏi đáp tài liệu nội bộ cho SME (MVP ~2–3 tuần)
Xây gì: self-host RAGFlow trên một VPS, dựng luồng upload tài liệu → index → giao diện hỏi đáp, gắn thương hiệu của bạn, thêm phân quyền người dùng cơ bản. Bán cho ai: phòng nhân sự, pháp chế, kế toán của công ty 20–200 người đang chôn kiến thức trong hàng trăm file Word/PDF. Định giá: gói thuê bao theo số người dùng hoặc số tài liệu, cộng phí cài đặt một lần. Cạm bẫy: khách hỏi “sao nó trả lời sai” — bạn phải đầu tư khâu đánh giá chất lượng truy hồi ngay từ đầu, đừng để tới lúc khách phát hiện. Một dự án tương tự về chi phí thấp cho SME tôi đã phân tích ở bài dựng RAG chatbot tài liệu nội bộ chi phí thấp cho SME, đọc kèm để so cấu trúc chi phí.
Hướng 2 — RAG chuyên ngành có kiểm chứng (MVP ~4–6 tuần)
Xây gì: chọn một ngách tài liệu khó — văn bản pháp luật, hồ sơ đấu thầu, tiêu chuẩn kỹ thuật — rồi tinh chỉnh pipeline bóc tách và prompt cho đúng ngữ cảnh ngành. Bán cho ai: công ty luật nhỏ, phòng đấu thầu, đơn vị tư vấn tuân thủ. Định giá: cao hơn hướng 1 vì bạn bán độ chính xác trong ngách, không bán “chatbot”. Cạm bẫy: ngành pháp lý sai một câu là mất uy tín, nên bắt buộc trích dẫn nguồn từng câu trả lời và có người rà. Tham khảo cách tôi tiếp cận ở bài dựng RAG tra cứu văn bản pháp luật cho doanh nghiệp, và nếu khách ở ngành nhạy cảm dữ liệu thì đọc thêm trợ lý AI nội bộ cho ngành nhạy cảm dữ liệu để xử lý phần bảo mật và triển khai on-premise.
Hướng 3 — Nền tảng “hỏi đáp tài liệu” bạch nhãn cho agency (MVP ~6–10 tuần)
Xây gì: multi-tenant, mỗi khách một không gian tài liệu riêng, thêm bảng điều khiển quản trị và tính phí sử dụng. Bán cho ai: agency, nhà tích hợp muốn bán lại cho khách của họ dưới tên riêng. Định giá: chia sẻ doanh thu hoặc phí nền tảng theo tenant. Cạm bẫy: cô lập dữ liệu giữa các tenant là yêu cầu sống còn — rò rỉ chéo một lần là mất cả tập khách. Hướng này chỉ nên làm khi hai hướng đầu đã có khách trả tiền, vì độ phức tạp vận hành nhảy vọt. Nếu muốn ghép chat UI nội bộ nhanh, xem cách tôi triển khai ở bài triển khai Open WebUI làm chat AI nội bộ cho doanh nghiệp.
Vì sao con số 90.900 sao đáng chú ý
Sao GitHub không phải doanh thu, nhưng ở mức khoảng 90.900 sao (ghi nhận 18/09), RAGFlow đã vượt ngưỡng “đủ đông để đáng cược”: cộng đồng lớn nghĩa là tài liệu, bản vá lỗi và tích hợp bên thứ ba nhiều hơn, rủi ro dự án bị bỏ rơi thấp hơn. Với một dịch vụ bạn định bán trong 2–3 năm, độ bền của thượng nguồn quan trọng ngang tính năng. Đối chiếu với các repo RAG khác trên site — ví dụ mảng đánh giá chất lượng truy hồi mà tôi từng mổ qua repo ragas — bạn sẽ thấy hệ sinh thái RAG mã nguồn mở đang đủ chín để dựng doanh nghiệp thật, không còn là đồ chơi.
Điểm cần tỉnh táo: số sao tăng nhanh cũng kéo theo cạnh tranh nhanh. Lợi thế của bạn không nằm ở “tôi biết dùng RAGFlow” — điều đó ai cũng làm được sau một tuần — mà ở khâu bạn hiểu tài liệu của một ngành cụ thể, quy trình bàn giao, và cam kết chất lượng truy hồi. Công nghệ là hàng hoá; ngữ cảnh ngành mới là thứ khách trả tiền.
Câu hỏi thường gặp
RAGFlow miễn phí thì tôi bán dịch vụ có hợp pháp không?
Có. Giấy phép Apache 2.0 cho phép dùng thương mại, chỉnh sửa và bán dịch vụ dựa trên nó, miễn giữ thông báo bản quyền. Bạn không cần xin phép InfiniFlow để tính phí khách. Chỉ cần rà thêm giấy phép của các model và vector store bạn ghép vào.
Chi phí vận hành thực tế gồm những gì?
Ba khoản chính: hạ tầng máy chủ (VPS/GPU nếu chạy model nội bộ), phí token nếu gọi LLM đám mây, và công sức vận hành — theo dõi chất lượng, cập nhật tài liệu, hỗ trợ khách. Nhiều người chỉ nhìn khoản đầu và định giá quá thấp.
Tôi nên chạy model nội bộ hay gọi API đám mây?
Khách nhạy cảm dữ liệu (pháp lý, y tế, tài chính) thường yêu cầu on-premise, khi đó bạn chạy model nội bộ và tính phí cao hơn. Khách phổ thông thì gọi API đám mây rẻ và nhanh hơn để khởi động. Bắt đầu bằng đám mây để validate, chuyển on-premise khi có hợp đồng đủ lớn.
Làm sao chứng minh chất lượng với khách?
Đừng hứa “chính xác 100%”. Hãy dựng một bộ câu hỏi mẫu từ chính tài liệu của khách, đo tỷ lệ trả lời đúng có trích dẫn nguồn, và bàn giao báo cáo đó. Minh bạch về giới hạn là cách bán được cho doanh nghiệp nghiêm túc.
Chốt lại
RAGFlow ở mốc khoảng 90.900 sao, Apache 2.0, với engine bóc tách tài liệu mạnh là một nền móng hiếm có để dựng dịch vụ hỏi đáp tài liệu cho doanh nghiệp Việt. Nhưng repo chỉ là điểm khởi đầu: tiền nằm ở việc bạn chọn đúng ngách, xử lý nghiêm túc chuyện chất lượng truy hồi và bảo mật, rồi đóng gói thành cam kết dịch vụ. Bắt đầu nhỏ ở hướng 1, validate bằng khách trả tiền thật, rồi mới leo lên hướng 2 và 3. Đừng dựng nền tảng multi-tenant khi chưa ai trả cho bạn đồng nào.
— Trần Đức Long, “RAG/Data” @ AIToEarn