RAGFlow 0.12 版本功能导读

从中秋到国庆，RAGFlow 连续发布了 2 个版本，0.11 和 0.12，逐步解决一些易用性相关的问题。在 0.12 版本中，我们对社区长期反馈的 Docker 镜像过大的问题进行了修正。新版本的 RAGFlow 分为 2 个镜像，一个是原来的All In One镜像，里边包含了本地可运行的 Embedding 模型和 Reranker 模型。由于这些模型推理，需要依赖完整的模型推理，因此导致 Docker 镜像过大，对于国内用户的下载非常不友好。另一个是裁剪后的 Slim 版本镜像，该镜像拿掉了本地运行的 Embedding 模型和 Reranker 模型，因此尺寸大大降低到只有 1 G，当然在使用该镜像的时候，一切依赖于模型推理的服务，都需要在外部配置。例如可以用 Ollama 或者 Xinference 启动 本地Embedding 模型和 Reranker 模型，也可以直接配置采用其他的 SaaS 服务。而大家关心的文档解析模型 DeepDoc，由于它可以只依赖 CPU 运行，因此两个版本内置都包含。在后续的版本中，除了功能和对话效果上的迭代之外，我们还将持续改进 RAGFlow 的易用性和稳定性。

从 RAGFlow 0.11 版本开始，RAGFlow 将功能分为三大区域：对话/ AI 搜索/ Agent。AI 搜索上升到跟对话和 Agent 平级，代表三个不同的场景，它们将分别按照各自路线不断演进。AI 搜索致力于提供针对企业的 Perplexity AI 类服务，它的功能区域如下所示，共包含三个区域：答案生成区；原始结果展示区；思维导图区。从目前的 RAGFlow AI 搜索来看，它的功能展现跟目前大家看到的 Perplexity 等面向 C 端的 AI 搜索略有不同，它保留了传统搜索的结果展示这部分，这主要是因为在企业场景，结果可信是更加重要的。

在答案生成阶段，当前版本的 AI 搜索，是直接让