Agentic Workflow——RAGFlow 0.20.0 特性预览

最新推荐文章于 2025-10-22 06:35:15 发布

原创

最新推荐文章于 2025-10-22 06:35:15 发布 · 1.7k 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #AI-native #AIGC #开源

一、从 Workflow 到 Agentic Workflow

经历了较长时间的等待，RAGFlow 0.20.0 版本终于发布，这是一个里程碑式的版本，因为它代表 RAGFlow 在 RAG/Agent 的拼图终于完整。在一年前的此时，RAGFlow 推出了 Agent 特性，但在当时这只包含 Workflow ，并没有提供 Agentic Workflow 的编排能力，因此不是完整体的 Agent —— RAGFlow 对于 Agent 的定义同时包含两者，Workflow 靠人工规划和定义任务，而 Agentic Workflow 则依赖 LLM 自动规划和执行。在 Anthropic 2024 年底的著名博文“Building effective agents”中，同样指出了两者的关联，并且强调 Workflow 仍是 Agent 应用的主要形式。进入 2025 年，随着 LLM 能力进一步增强，Agentic Workflow 开始解锁更多的令人惊艳的场景。

理想情况下，完全交给 LLM 的 Agentic Workflow 是绝大多数 Agent 应用期望达成的目标，但由于 LLM 能力限制，会引入执行的不确定和不可控性，这在企业场景尤其难以接受；而 Workflow 则走向另一个极端：采用低代码平台完全定义每个编排环节，包括变量、条件判断、循环等等，实质上是不写代码的业务人员按照他们对业务逻辑的理解进行编程，在保证确定性的同时却容易陷入蛛网密布的复杂编排，从而导致误用、滥用以及可维护性差，更重要的是导致一些任务的拆解和控制难以实现。因此，长期来看 Agentic Workflow 和 Workflow 都是构建 Agent 所必备的，两者统一协同工作，才可以满足企业级场景的需要。

实现了完整 Agent 能力的 RAGFlow 成为更加适合企业使用的平台级 LLM 引擎，如下图所示，RAG 在整个企业场景的生态位，跟过去的数据库等同，而 Agent 则对应具体应用。但它们之间和过去又有很大不同：其一，RAG 更关注非结构化数据的利用；其二，RAG 和 Agent 的交互频繁程度远高于普通应用和数据库，因为 Agent 需要实时且精确的上下文，以使得它的行动和用户意图保持一致，而 RAG 则是填充上下文的重要工具。因此完成 Agent 拼图是平台进化的必然选择。