RagFlow v0.20.0全面重构：8大新特性详解，看到就是赚到，小白也能玩转大模型开发

关注

原创最新推荐文章于 2026-10-02 09:45:34 发布 903 阅读 AI 写同款· GEO 优化 ›

RAGFlow v0.15.0：2024 年最后一个发行版当前，在 LLM 应用生态中，Agent/工作流已经有很多框架可以选择，这类系统，本质上是一个提供给非程序员的 IDE ，因此，针对业务场景编排特定的 Agent/工作流，并不是非常轻松的事情，我们可以把编排好的 Agent 类比为 App，而发布和执行 Agent 的框架可以类比为 App Store。数据的增多对于命中率是很大的伤害，v0.15.0 版本推出了分级知识库功能，针对海量数据，用户如果可以区分数据的质量高低，那么通过分级知识库，可以让质量高的数据排在前边。而单步调试，则补上了最后一环。阅读详情

前言

关注RagFlow的小伙伴们在催更RagFlow 最新版的进展😎

但是RagFlow在 v0.20.0进行了全面重构，官方号称 里程碑式的版本，你不想顺便了解一下吗？🤔

于是，耗时3天，把2025年（至今）RagFlow的版本更新，整理了一份总结

【更新频率】自2025年2月以来，已发布12个版本，平均每2-3周更新一次。
虽然8月、9月的更新频次貌似跟上半年持平，但是看release内容可以知道，v0.20.0之后的功能质量完胜之前的。

先来看看新版本的更新内容，完整总结见文末

👀v0.20.0 的干货最多哈！咱从全面重构开始讲

1.UI重构

老版本没有首页

自v0.20.0新版本后，启动RagFlow服务器，就来到首页。

就是把知识库、聊天、搜索、智能体，四项内容，在首页再完整显示一下，配色好看些。

2.双向MCP

什么是MCP？MCP指的是模型上下文协议，方便LLM集成外部工具。
什么是双向？意思是：方便导入别人做好的MCP服务器，也能把自己的agent作为MCP客户端，给其他应用使用。

要实现 双向MCP，你一定有这3个问题：
1.如何启动 RAGFlow MCP 服务器？[1]
2.如何作为MCP客户端？[2]
3.如何导入MCP服务器

前两个问题，详见官方教程，见链接。

第3个问题，导入MCP 在右上角的设置中，右侧栏点击 MCP 可以看到。

支持两种方式导入：①导入json文件，②手动编辑

具体说下方式①

1. 复制：魔搭MCP广场[3]找1个MCP服务，如12306-MCP，复制右侧的服务器配置信息
1. 粘贴：新建 12306.json，粘贴服务器配置
1. 上传：点击Import，上传json文件
1. 最后点击保存

RagFlow导入MCP全流程

点到编辑，可以看到各项可用工具，表示配置成功🎊

3.Multi-Agent（多级Agent）

这是单层Agent

单层Agent

这是多层Agent

多层Agent

✅ 定义：单层Agent是指一个任务由一个智能体独立完成，不涉及层级分工或任务传递。
🎯 适用场景：

• 简单任务自动化：如自动问答、文档摘要、数据提取。
• 用户直接交互：如客服机器人、语音助手。
• 单一目标明确的任务：如查询天气、翻译文本。
💡示例：“帮我总结一下这篇论文。”

✅ 定义：多层Agent是指任务由多个智能体协作完成，存在层级分工或任务流转，比如一个Agent负责规划，另一个负责执行，另一个负责验证。
🎯 适用场景：

• 复杂任务拆解：如项目管理、自动化运营流程。
• 需要协作与反馈的场景：如智能客服系统中，一个Agent负责理解问题，另一个负责调用API，另一个负责生成回答。
• 高阶智能应用：如模拟谈判、多角色游戏AI、自动化数据清洗+建模+报告生成。
💡 示例：“帮我分析这份销售数据，并生成一个PPT报告。”一个Agent负责分析数据，另一个负责生成图表，第三个负责排版PPT。

🔍 单层Agent vs 多层Agent 对比

特性	单层Agent	多层Agent
架构复杂度	简单	复杂
任务处理能力	适合单一任务	适合复杂任务
可扩展性	低	高
协作能力	无	强（支持分工与协作）
适用用户	AI小白、普通用户	高阶用户、开发者、企业用户
技术门槛	低	高
应用场景	简单问答、摘要、翻译	自动化流程、数据分析、智能系统

📝 总结一句话：

单层Agent适合“点对点”的简单任务，

多层Agent则擅长“分而治之”的复杂流程。

4.Agentic

🔔重头戏来了！

去年，RagFlow仅有Workflow，并没有 Agentic Workflow的能力。

官方指出

这不是完整的 Agent。
同时包含Workflow + Agentic Workflow，才算完整的Agent。

• Workflow：靠人工规划和定义任务。（固定的）
• Agentic Workflow：依赖 LLM 自动规划和执行。（灵活的）

在 Anthropic 2024 年底的著名博文“Building effective agents”中，强调 Workflow 仍是 Agent 应用的主要形式。

于是，RagFlow在v0.20.0重磅推出了 Agentic 特性，完全重构了 ”智能体“节点。

来看看官方的表述：

新版本比老版本，更换了样式、修改了提示词、添加了工具（知识库检索/MCP/维基等）、添加了智能体等等

"智能体节点"的新老版本对比

更重要的是，这个智能体内置Agentic特性，具备自主规划功能。
意思是在智能体_0中添加智能体_2 和智能体_3，不用在智能体_0中指定先用哪个智能体。

🧠通俗比喻：筷子与叉子的智能选择
假设你是智能体_0，你有两个工具：

• 筷子（智能体_2）
• 叉子（智能体_3）

在传统 Workflow 中，你得提前告诉自己：“吃米饭用筷子，吃面用叉子”，并且不能改变先后顺序。

而在 Agentic Workflow 中，你不需要硬性指定，系统会根据任务内容自动判断：

• 吃饭 → 自动调用“筷子”（智能体_2）
• 吃面 → 自动调用“叉子”（智能体_3）

就像你吃饭时，大脑自动选择最合适的餐具，而不需要你手动“编程”每一步。

传统 Workflow 是“剧本杀”，Agentic Workflow 是“即兴表演”。

5.用变量指定知识库

✅功能描述：支持勾选固定的知识库，也支持知识库名称 由 变量****动态指定（灵活的）。如图所示

效果是一样的。

20250916132431.png

🎯 适用场景：知识库需要动态指定的情形
📝 小技巧：知识库名称支持模糊匹配，没有填准确的名称，也能匹配到！

6.多个模型同时比较

✅功能描述：支持多个模型同时比较（最多3个）
在聊天助手的右上方，点击“多模型”，就进入多个模型同时问答的界面。自行选择模型和参数，进行问答。

🎯 适用场景：比较哪个模型对当前任务的稳定性

7.知识库增强

引入了抽象语法树(AST)支持Markdown文件解析

介绍：AST技术支持理解Markdown文档的层级结构，根据标题、列表、代码块等语义元素进行智能分块。

据说可以做到：二级标题下的内容应该作为一个整体处理，而不是简单地按照字符数进行分割。

但笔者用md文件测试，暂未复现效果，也未找到对应开关，后续发现再来跟朋友们分享！

8.上线新模型

2025年RagFlow版本更新总结（长图）

部署

部署教程见通过 Docker 部署 RAGFlow[4]

克隆仓库

$ git clone https://github.com/infiniflow/ragflow.git
$ cd ragflow/docker
$ git checkout -f v0.20.5

启动RagFlow服务器

docker compose -f docker-compose.yml up -d

写在最后

✨RAGFlow 从 v0.20.0 开始，真正“飞”起来了！

正如官方所言：

“Agent 的拼图终于完整”
“这是一个里程碑式的版本”

从工作流的全面升级，到知识库能力的增强，RAGFlow 正在逐步构建起一个更强大、更智能的 AI 应用底座。

同时，期待更多插件的加入，进一步丰富其应用生态，让它在更多行业和场景中落地生根。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。