菜单
English articles本文暂无译文
积墨AI

积墨AI

RAGFlow 1.0 重写底座并升级为 Agent Native Database,检索范式迎来结构性变革

过去两年,几乎每家企业都在用 RAG 解决大模型落地问题:文档切块、Embedding、算相似度、塞进 Prompt,流程简单直接。但真正把它搬进生产环境的人都清楚,RAG 远不够好——精确日期查不准,模糊概念搜不到,多文档聚合时召回的常常是干扰项。于是 GraphRAG、RAPTOR、Contextual Retrieval 等补丁不断叠加,架构越来越复杂,效果提升却越来越不匹配投入。与此同时,Agent 配合 Grep 这类简单工具在不少场景已能超越精心调优的 RAG,但数据规模一大,Agent 反复搜索试错,Token 与响应时间双双失控。几条路都走到了边界,范式本身需要换一个问法。

Go重写底座与全链路性能跃升

检索的核心,到底是设计一个更强的召回算法,还是设计一套能动态编排、持续供给上下文的系统?过去半年,不同方向的声音给出了趋同的回答。Karpathy 提出 LLM Wiki,主张知识应被编译一次、持续更新,而非每次查询重新推导;PwC 的实验显示 Grep 在很多场景比语义搜索更准,但真正的结论是检索的关键在框架而非工具;微软的 AgenticRAG 消融实验表明,最大收益来自从单次检索转向 Agentic 工具编排;Pinecone 发布面向 Agent 的知识引擎 Nexus,直言 RAG 是为人类打造的,Agent 需要不同的供给方式。

这些声音来自不同公司、论文与产品,却指向同一个判断:检索重心正从召回算法转向编排框架加上下文供给。RAGFlow 1.0 的定位由此正式升级为 Agent Native Database——它不是端到端 RAG 引擎,也不是给模型喂片段的检索后端,而是 Agent Harness 可直接调用的上下文供给层,供给原文片段、编译后的证据单元、导航结构、关系骨架、时间线、Wiki、Memory 事实等多种形态。分工一句话概括:Harness 负责编排,RAGFlow 负责供给。

检索的成败,不在召回算法里、不在模型参数里,而在上下文供给的每一个工程细节里

“行业观察”
积墨 AI 核心产品

积墨企业专属知识库

混合检索 + 重排序技术,支持多源文档一键向量化导入,为企业打造专属高精度知识大脑。

从多年产业实践经验来看,供给层能否独立成产品,取决于它有没有扎实的经济学基础。RAGFlow 1.0 的知识编译把理解工作从查询时移到索引时,编译一次、多次受益:以证据链为例,命中时单个问题可节省 Token 90% 以上,未命中仅损失约 2%,这种命中收益极高、未命中成本极低的不对称性,正是供给层值得独立存在的根基。其盈亏平衡点也极低——命中率超过约 2% 即可覆盖编译成本,而实测命中率接近 43%。工程上,1.0 将 Ingestion 重新设计为两级流水线加两条编排轴,流程由配置定义而非代码写死,失败恢复靠任务级重投加结果缓存,杜绝悬空任务与半篇文档;Pipeline 版本与编译版本双线治理,让执行可回滚、知识可追溯,企业敢灰度、敢审计,才敢把核心数据长期交给一套系统。

底座层面同样是一次彻底重构。1.0 完全用 Go 重写了 Python 版本,这并非追求语言时髦,而是定位变化后的必然:当检索发起方从人类单次查询变为 Agent Harness 的多轮高频调用,并发请求量呈数量级爆发,动态语言受制于 GIL 与运行时类型错误的代价会逐一暴露。Go 重写后检索并发能力提升两个数量级以上,容器镜像缩小一个数量级,启动延迟同样降低一个数量级。检索侧围绕四条原则设计:工具层并行调用、报错变观察、契约稳定;Harness 层有状态、可恢复、成本按阶段归因;原文与派生编译产物严格通道隔离;每条证据可追溯可审计。在严苛的 FRAMES 多跳基准上,仅用 MiniMax-M3 即达到 0.91 准确率,且无论企业是否完成知识编译,决策模型作为证据闸门都能带来可测量的成本或延迟收益。

RAG 的十字路口,不在于要不要检索,而在于检索如何被编排、上下文如何被供给。RAGFlow 1.0 用 Go 把 Infra 做稳,把供给层独立出来,编译一次、多次受益。这不是终点,而是 Agentic 时代上下文基础设施的起点——RAG 的时代没有结束,它只是需要一次重写。

#RAGFlow#知识编译#上下文供给#Agent Native Database#Go重写#检索编排
分享文章

相关文章推荐

试用咨询
企业微信二维码

扫码添加企业微信