在这个信息爆炸的时代，你是否也曾陷入 “文档迷宫”—— 面对 PDF 设备手册、Excel 工艺参数表、扫描版维修记录时无从下手？沉寂已久的RAGFlow v0.20.0 带着「Agentic Workflow 智能编排」和「多模态知识处理」两大杀手锏来了！同时，也引入了隔离沙盒，以及类似扣子的可编辑工作流。作为开源 RAG 引擎的领军者，它已帮助上百家企业将知识检索效率提升 40%，故障处理时间缩短 50%，今天就带你解锁这款 “智能文档助手” 的全部技能！

什么是RAGFlow

---

RAGFlow 是一款开源的检索增强生成（Retrieval-Augmented Generation, RAG）引擎，它通过深度文档理解与大型语言模型（LLM）相结合，为企业和个人提供了一套端到端的智能问答解决方案。简单来说，RAGFlow 可以让大型语言模型在回答问题时，先从你的文档资料中检索相关知识，然后再根据这些知识生成答案，从而保证答案准确可靠且有出处。这种“先搜后答”的方式有效减少了AI凭空编造信息的情况（即所谓“幻觉”），让回答有根有据。

与传统的聊天机器人或问答系统相比，RAGFlow 的特色在于深度文档理解和检索增强。传统系统往往直接依赖模型内部记忆回答问题，而 RAGFlow 则会先深入理解你的各类文件（PDF、Word、Excel、图片、网页等），将其中的知识存储起来，然后在回答时查询这些资料以获取依据。这种设计使得 RAGFlow 能够处理复杂格式的数据，并在回答时附上引用来源，让用户可以点击查看答案所依据的原文片段。可以说，RAGFlow 把“让AI说实话”这件事做到了实处。

新RAGflow亮点： 🧠 三大核心升级：从 “工具” 到 “智能伙伴” 的跨越

1️⃣ Agentic Workflow：让 AI 学会 “自主思考 + 团队协作”。RAGFlow 0.20.0 实现了完整的Agent 引擎，让系统能够像一个智能助手一样自主地规划和执行任务。简单来说，现在的 RAGFlow 不仅会检索回答，还能根据问题调用工具、分解步骤，甚至让多个智能体协作来完成复杂查询。这种 Agent 能力与 RAG 检索能力融为一体，使系统能够应对更开放、更复杂的场景。

✨ 人类与 AI 协同办公：既支持手动定义流程（适合精确业务逻辑），也能让 LLM 自动拆解任务（适合创意性工作），比如让 AI 自主生成维修方案并调用知识库验证 👥 智能体团队作战：主 Agent 可创建 Subagent 分工处理不同任务（如数据分析 Agent + 报告生成 Agent），像搭积木一样灵活 📊 可视化编排界面：拖放组件即可完成复杂流程设计，无需代码基础！

2️⃣ 多模态知识处理：图片表格 “秒懂”，跨语言 barrier 消失 开发者可以定义不同角色的Agent，各司其职又相互配合，共同完成一项任务。例如，在深度研究场景中，可以有一个Agent负责搜索，另一个Agent负责分析，再一个Agent负责总结，彼此协作产出高质量结果。这种架构极大提升了系统的灵活性和可扩展性。

🔍 中英文混合查询无缝切换：输入 “机床主轴异响” 能精准定位英文维修手册，准确率提升 32% 📈 表格 / 图片直出答案：Excel 工艺参数表上传后，直接提问 “45 号钢粗加工转速” 就能得到带公式的结果 🖼️ 图纸解析新高度：CAD 设备图中的尺寸标注、零件编号自动提取，连扫描件都能 OCR 识别

3️⃣ 企业级安全与兼容：本地化部署 + 全模型支持

🔒 数据不出门：支持内网私有化部署，通过 RBAC 权限精细控制文档访问 🤖 模型随心换：兼容 GPT-4o、Claude 4、Qwen3 等 20 + 主流模型，还能接入本地大模型 ⚡ 性能飙升：多 GPU 并行处理，1000 页 PDF 解析时间从 2 小时压缩到 10 分钟。

RAGFlow v0.20.0 标志着其从一个检索问答引擎升级为一个完整的AI应用开发平台。通过 Agent 智能体和可视化编排，用户可以更轻松地构建复杂的AI工作流，而底层的 RAG 机制又保证了这些AI应用能够基于真实数据给出可信的结果 除了新增功能，v0.20.0 对系统性能和稳定性也做了优化。包括改进Agent运行时的日志记录和调试工具，方便开发者追踪Agent的思考过程；提供Agent对话历史的管理界面，方便查看上下文；以及引入更轻量高效的依赖库，提升系统启动和运行速度等。这些改进使得 RAGFlow 在企业环境中更加健壮可靠。

为什么是RagFlow?

---

在当前的AI领域，涌现了许多检索增强生成相关的工具和平台。与这些主流方案相比，RAGFlow 有其独特的优势和定位：

与传统 RAG 系统对比：传统的 RAG 系统（可称为 RAG 1.0）通常只包含简单的文档分块、向量检索、LLM生成几个步骤，缺乏对文档的深入理解和智能处理。而 RAGFlow 代表了RAG 2.0的演进方向，通过引入深度文档理解、知识图谱、智能Agent等机制，弥补了传统方案的不足。例如，传统RAG在遇到模糊或复杂问题时，可能无法正确理解意图或需要多轮检索，而 RAGFlow 可以通过查询改写和Agent 反思来动态调整检索策略。再比如，传统系统对文档格式变化敏感，遇到表格、图片就束手无策，而 RAGFlow 的深度文档理解模块能够处理各种复杂格式，保证信息不丢失。总的来说，RAGFlow 在准确性、可解释性和复杂场景处理上都优于传统RAG方案。

与商业 RAG 产品对比：目前市面上有一些商业的RAG平台或服务，例如 OpenAI 的 ChatGPT Plugins、微软的 Semantic Kernel、以及各种企业知识管理软件集成的AI问答功能等。与这些商业方案相比，RAGFlow 的优势在于开源开放和高度可控。用户可以自由部署 RAGFlow，将数据掌握在自己手中，而不必担心隐私和安全问题。同时，RAGFlow 提供了丰富的可配置选项和扩展接口，开发者可以根据需要替换LLM模型、调整检索算法，甚至贡献代码改进系统。这种灵活性是许多封闭的商业产品无法比拟的。此外，RAGFlow 作为开源项目，拥有活跃的社区支持和持续的版本更新，在功能迭代上并不逊色于商业产品。

与其他开源 RAG 项目对比：开源社区中也有一些知名的RAG相关项目，例如 LangChain、LlamaIndex 等。这些项目侧重提供工具库和框架，让开发者自行组合实现RAG功能。而 RAGFlow 则定位为一个端到端的引擎和平台，内置了从文档处理到回答生成的全套功能，开箱即用。对于没有太多AI开发经验的用户来说，使用 RAGFlow 可以更快速地搭建出一个完整的问答系统，而无需从零开始集成各种组件。当然，LangChain 等工具在灵活性和定制性上更强，适合有经验的开发者进行深度定制。RAGFlow 则在易用性和开箱功能上更胜一筹，尤其是其可视化工作流和Agent编排能力，是许多其他开源项目尚未提供的。可以说，RAGFlow 填补了开源领域在低代码构建复杂RAG应用方面的空白。

一个被低估地嵌入模型-Conan

---

一提到Conan,那个著名的IP形象，浮现眼前。但今天提到的是由腾讯团队开源的同名嵌入模型。开发团队希望赋予其侦探角色-在纷繁复杂的海量文本中敏锐地捕捉所有上下文地关联。嵌入模型是一种‌语义映射引擎‌，其核心功能是将如单词、句子、图像、音频等数据转换为低维连续向量（通常为浮点数数组）。这种转换通过机器学习算法实现，生成的向量能够捕捉原始数据的语义或上下文关系。

嵌入模型作为RAG中检索召回的重要一环，扮演着极其关键的角色。更加准确的Embedding模型在抑制模型幻觉、增强新热知识表现、提升封闭领域回答能力等方面都能发挥优势。RagFlow支持选择不同的嵌入模型。

人们通常选择智源BAAI的bge-m3作为本地的嵌入模型处理文档。bge-m3占用内存1.2G在我这用RAGflow进行测试的时候，处理一本pdf的书平均约10分钟（RAGFlow可以同时处理很多本书。所以不会很慢）。conan模型内存只占bge-m3的一半，同一组任务平均快60%，完成的质量也不输bge-m3。非常惊艳。

在用柯南嵌入模型处理我的小说知识库时的截图。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】