摘要：

随着Agent技术发展，RAG正从文档检索工具演进为支撑智能体的统一数据底座。RAGFlow提出通过“树图结合”模拟人类认知，以Context Engine统一处理三类核心数据，要求底层数据库具备强大的混合检索与高性能交互能力。OceanBase seekdb作为AI原生数据库，以向量检索、自定义分词及轻量部署等特性，为构建此类数据底座提供了关键技术支撑，推动Agent规模化落地阶段。

01 前言

在生成式 AI 迈向 Agent 时代的当下，RAG 技术正经历着一场深刻的范式演进。

RAGFlow 联合创始人张颖峰指出，RAG 不仅仅是水上雕花的展示工具，他应当成为智能体的数据底座。

本文基于 RAGFlow 的架构思路，并结合 OceanBase seekdb 的实践，介绍如何构建一个落地快的智能体数据底座。

02 RAGFlow 的架构理念：重新定义 AI 时代的数据底座

RAG 不是终点，而是起点

在 AI 应用开发中，开发者们普遍遇到了 RAG 效果难以提升的困境，仿佛按下葫芦浮起瓢，总有顾此失彼的感觉。尽管到 2024 年，使用多模态模型解析文档、采用混合搜索等实践已经成为共识，但效果仍然不尽如人意。问题的根源在哪里？

树图结合：让检索像人一样思考

RAGFlow 团队给出的答案是"树图结合"。这个方案的核心思想是让 RAG 系统像人一样去检索信息。当领导向你提出一个问题时，你不会在脑海中随机搜索碎片化的知识，而是会根据记忆中的目录结构，找到对应的文献，然后定位到具体答案。

传统 RAG 的召回机制只能返回文字碎片，这种碎片化的知识不利于大模型的理解。因此需要引入"树"的结构，像树状导航一样模拟人类寻找知识的过程。同时，人在寻找答案时还需要联想能力，这就是"图"的价值所在。图不是用来替代树的基础结构，而是帮助系统在导航的同时进行知识联想。

树图结合的数据组织方式，配合大模型的理解能力，才能真正缓解检索不准这一核心痛点。这不是简单的技术堆砌，而是对人类认知过程的深度模拟。

从 RAG 到 Context Engine：支撑 Agent 的三类数据

如果说 2025 年是 Agent 的元年，那么 2026 年就是 Agent 真正落地的元年。经过一年的探索，Agent 所需的技术要素已经逐渐清晰：Memory、外部知识、Tools、Skills……这些看似纷繁复杂的概念，实际上正在进入收敛期。

RAGFlow 认为，企业级 Agent 落地需要一个统一的数据底座来处理三类核心数据：

第一类是非结构化数据，这是 RAG 的舒适区。处理这类数据已经形成了标准化的 PDI 流程（Parse-Transform-Index），类似传统数据平台的 ETL，但最后一步不是 Load 而是 Index。因为 Retrieval Engine 本质上是索引引擎，必须基于索引来工作。这个过程需要各种解析模型（如 PaddleOCR、Marker 等）、语义增强算子，以及强大的混合搜索能力。

第二类是 Memory 数据，即智能体交互过程中生成的实时数据。Memory 与 RAG 的唯一区别在于存储的数据类型不同，RAG 存储相对静态的文档类数据，Memory 存储动态的交互数据。但两者的处理逻辑、语义增强操作几乎完全一致。因此 Memory 可以看作数据库中的不同表或不同库，没有必要将其作为独立组件。这种统一处理还为未来的跨库、跨表操作留下了可能性。

第三类是结构化数据，包括 TP 型业务数据和数仓数据。对于这类数据，不需要重新造轮子，而是通过 MCP（Model Context Protocol）等工具协议统一调用。在大型企业中，可能需要调用成百上千个 MCP 接口，如何高效地检索和使用这些工具，同样需要强大的 Retrieval 能力。

这三类数据的统一处理，构成了 Context Engine 的核心能力。而这个能力的基石，始终是 Retrieval，AI 原生搜索。

Retrieval：Agent 时代被低估的核心能力

在传统搜索引擎时代，用户提出一个问题，可能只需要十次检索就能得到答案。但在 Agent 时代，智能体与数据层的交互频率提升了两个数量级——可能是几百次甚至上千次。这意味着 Retrieval 的性能和准确性直接决定了 Agent 的可用性。

RAGFlow 的判断是：未来所有落地的智能体都将是 Coding Agent。在这个架构中，相对不变的是 Context 内容，Memory、企业内部数据、Tools、Skills 等，这些数据相对容易标准化。而智能体的行为逻辑则完全以代码生成的方式动态构建。

这种架构对底层数据库提出了极高的要求：不仅要支持向量检索，还要支持全文检索，以及未来更多类型的混合搜索需求。这正是 RAGFlow 选择与 OceanBase seekdb 深度集成的原因，一个真正的 AI 原生数据库，必须具备强大的、多样化的检索能力。

03 实践指南：RAGFlow × OceanBase seekdb 快速上手

RAGFlow 项目已深度集成 OceanBase 数据库。现在，您可以使用OceanBase全新推出的轻量级AI原生数据库OceanBase seekdb：

 零成本兼容：接口完全兼容 OceanBase，无需修改代码

功能完整：TP/AP 一体化处理能力

AI 原生：支持自定义分词器，快速适配多国语言、支持混合检索，4096维向量索引，完美支持主流嵌入模型

 即插即用：更轻量，更易部署

前置要求 (Prerequisites)

在开始之前，请确保您的环境满足以下要求：

CPU >= 4 核

RAM >= 16 GB

Disk >= 50 GB

Docker >= 24.0.0 & Docker Compose >= v2.26.1

部署 RAGFlow

克隆 RAGFlow 代码

配置 seekdb 为 ragflow 依赖的数据库

1. 将 seekdb 作为向量数据库

修改.env文件：

1. 将 seekdb 作为元数据库

因为 seekdb 兼容 mysql 协议，所以可以将seekdb也作为 RAGFlow 的元数据库

修改.env文件：

修改docker-compose.yml文件，注释以下 depends_on 字段

修改docker-compose-base.yml文件，注释以下 mysql 服务

1. 启动服务

执行指令后能看到如下输出

可以执行docker ps检查容器状态，能看到如下输出

通过 docker compose logs -f ragflow-cpu 或者 docker compose logs -f ragflow-gpu（以实际设备为准）查看日志出现 RAGFlow admin is ready after XXs initialization则启动服务成功

1. 通过 RAGFlow 构建 AI 应用

浏览器输入 http://localhost 进入界面，首次登录点击「Sign up」注册账号

填写完注册信息后，点击 「Continue」 继续

回到登录界面后，点击 「Sign in」 登录账号

首次进入 ragflow 界面后，点击右上角的账户图标

选择 「Model providers」 设置 Api Key 和模型，以下以通义千问为例

填写 API-Key 后，点击 「Save」 保存配置

根据需要选择需要的各类模型，这里案例选择了 「qwen-plus」 作为 LLM 模型、「text-embedding-v4」 作为 Embedding 模型、「gte-rerank」 作为 Rerank 模型

回到主界面，点击 「Dataset」 进入知识库界面，点击界面中央如下图标创建新的知识库

根据需要选择分段方法，案例选择了 「General」（通用） 作为了分段方法，如果您的文档主要是Q&A问答对，您也可以选择 「Q&A」 作为分段方法

点击 「Save」 创建空知识库

点击 「Add file」 中的 「Upload file」 上传文档

点击或者拖取的方式上传需要的文档后，点击 「Save」 保存

因为上传的时候没有勾选「Parse on creation」 ，这里需要全选文档后点击 「Parse」 解析文档构建索引

文档索引构建完毕

构建知识库完成后，回到主界面，我们以构建搜索助手作为案例，点击 「Search」 后点击界面中央如下图标

填写 「search」 的 「Name」 后，点击 「Save」 保存

选择 「Datesets」

其他配置按需配置，这里案例勾选了 「AI summary」（可选），点击 「Save」 保存

根据案例的知识库，提问 「Why oceanbase is a distributed database?」 成功检索到了相关的段落并且以此生成了脉络清晰的总结！

04 从技术到生态：AI 原生的未来图景

RAG 技术不会过时，相反，它正在从一个具体的技术方案演进为 AI 应用的基础设施层。当我们把视角从单一的文档问答提升到Context Engine 的高度时，就会发现 Retrieval 能力是连接 Memory、知识库、工具调用等所有 Agent 要素的关键纽带。而 AI 原生搜索数据库，正是提供这种能力的最佳载体。

2026 年，随着 Agent 技术的收敛和标准化，企业级 AI 应用将迎来真正的落地浪潮。在这个过程中，选择正确的数据底座至关重要。RAGFlow 的架构理念与 OceanBase seekdb 的技术能力相互印证：强大的混合搜索能力、统一的数据处理范式、轻量级的部署方式，这些特性共同构成了 AI 原生时代的数据基础设施。

从 RAG 到 Context Engine 的演进，不仅是技术路径的升级，更是对 AI 应用本质的深刻理解。当我们像人一样思考数据的组织和检索，当我们用 AI 原生的方式重构数据底座，企业级智能体的大规模落地才真正成为可能。这正是 RAGFlow 与 OceanBase seekdb 携手探索的方向，也是整个 AI 原生生态共同的未来。