Agentic Workflow - RAGFlow 0.20.0 新功能揭秘
1. 从工作流（Workflow）到智能体工作流（Agentic Workflow）
经过漫长的等待，RAGFlow 0.20.0 终于发布了——这是一个里程碑式的更新，完成了 RAG/Agent 的宏伟蓝图。一年前，RAGFlow 引入了 Agent 功能，但它只支持手动管理的工作流，缺乏 Agentic Workflow 的能力。根据 RAGFlow 的定义，一个真正的 Agent 需要两者兼备：用于人类定义任务的工作流和由 LLM 驱动自动化的 Agentic Workflow。Anthropic 在 2024 年的文章《构建有效的 Agent》中强调了这一区别，指出工作流仍然是 Agent 使用的主要方式。现在，到了 2025 年，随着 LLM 变得更加先进，Agentic Workflow 正在催生更多令人印象深刻的用例。
理想情况下，全 LLM 驱动的智能体工作流 (Agentic Workflows) 是大多数智能体应用的终极目标。然而，由于目前 LLM 的局限性，它们带来了不可预测性和缺乏控制的问题——这些问题在企业环境中尤为突出。另一方面，传统的工作流 (Workflows) 采取了截然相反的方法：使用低代码平台，其中每个变量、条件和循环都被明确定义。这使得非技术的业务用户能够根据他们对业务逻辑的理解有效地进行“编程”。虽然这确保了可预测性，但往往会导致流程过于复杂、杂乱，难以维护且容易被误用。更重要的是，这使得任务难以进行合理的拆解和管理。因此，长期的解决方案需要 Agentic 工作流和手动工作流和谐共存。只有这种统一的方法才能真正满足企业级智能体的需求。随着完整智能体能力的就绪，RAGFlow 已成为一个更具企业级水准的平台级 LLM 引擎。在企业生态系统中，RAG 扮演的角色类似于传统数据库，而智能体 (Agents) 则充当具体的应用——但二者之间存在重要差异。首先，RAG 侧重于利用非结构化数据而非结构化数据集。其次，RAG 与智能体之间的交互比典型的应用与数据库关系更频繁、更密集，因为智能体需要实时、精准的上下文来确保其行为与用户意图高度一致。RAG 在提供这种上下文方面发挥着至关重要的作用。基于这些原因，完善智能体能力是 RAGFlow 进化的关键。
让我们来看看 RAGFlow 0.20.0 的主要功能。
2. RAGFlow 0.20.0 关键更新内容
此版本的主要功能包括
- Agent 和工作流的统一编排。
- 对 Agent 的完全重构，显著提升了其能力和可用性，支持多 Agent 配置、规划和反思，以及可视化功能。
- 完整的 MCP 功能，支持 MCP Server 导入，Agent 可作为 MCP Client，RAGFlow 本身也可作为 MCP Server。
- 可访问 Agent 的运行时日志。
- 可通过管理面板查看与 Agent 的聊天历史记录。
更新后的 Agent 构建体验对开发者有何不同？
以 0.19.1 版本的客服模板为例：以前，构建此工作流需要七种类型的组件（开始、交互、问题优化、分类、知识检索、生成和消息），其中对于第4类问题的最长链条涉及七个步骤。
在新版本中，使用纯工作流模式构建仅需五种类型的组件（开始、分类、知识检索、Agent 和消息），其中对于第4类问题（产品相关）的工作流减少到五个步骤。
在 Agentic 模式下，仅需三种类型的组件——原始的工作流逻辑现在可以完全通过提示工程来处理。
开发者可以检查 Agent 的执行路径并验证其输入/输出。
业务用户可以通过嵌入页面或聊天界面查看 Agent 的推理过程。
这种比较定量地展示了复杂性的降低和效率的提升。更多细节如下——我们鼓励您亲自尝试。
3. 统一的 Agent 编排引擎
RAGFlow 0.20.0 引入了工作流和 Agentic Workflow 的统一编排。如前所述，这两者代表了两个极端，但企业场景需要它们的协作。该平台现在支持在一个天然支持多 Agent 的画布上进行协同编排——用户可以将不确定的输入指定为 Agentic Workflow，将确定性的输入指定为工作流。为了与常规做法保持一致，Agentic Workflow 在画布上表示为独立的 Agent 组件。此版本围绕这一目标重新设计了编排界面和组件功能，同时还改进了早期工作流版本的可用性问题。主要改进包括将核心组件从12个减少到10个，主要变化如下
开始 (Begin) 组件
它现在支持一种基于任务的 Agent 模式，无需通过对话触发。开发者可以在同一个画布上构建对话式和任务式 Agent。
检索 (Retrieval) 组件
检索可以作为工作流中的一个组件，也可以被 Agent 组件用作工具，使 Agent 能够决定何时以及如何调用检索查询。
智能体 (Agent) 组件
一个能够独立替代您工作的 Agent 需要具备以下能力
- 自主推理[1]，并有能力根据环境反馈进行反思和调整
- 使用工具完成任务的能力[3]
有了新的 Agent 组件，开发者只需配置提示和工具即可快速构建一个 Agent，因为 RAGFlow 已经处理了底层的技术实现。
除了单 Agent 模式，新的 Agent 组件还支持添加可在运行时调用的子 Agent。
您可以自由添加 Agent 来构建自己的无限 Agent 团队。
添加并批量导入您已经部署的 MCP 服务器。
添加的 MCP 服务器中的工具可以在 Agent 内部使用。
等待响应 (Await Response) 组件
原来的交互组件已被重构为等待响应组件，允许开发者主动暂停流程以发起预设对话，并通过表单收集关键信息。
分类 (Switch) 组件
改进了切换组件的可用性。
迭代 (Iteration) 组件
迭代组件的输入参数类型已更改为数组；在迭代期间，索引和值都可供内部组件访问，其输出可以形成为数组并传递给下游。
消息回复 (Reply Message) 组件
现在可以通过回复消息直接回复消息，无需使用交互组件。
文本处理 (Text Processing) 组件
开发者可以通过文本处理轻松连接字符串。
您还可以将字符串拆分为数组。
小结
RAGFlow 0.20 支持同时编排 Agentic 和工作流模式，内置的多 Agent 支持允许多个 Agent 在单个画布上共存。对于像“公司业绩为何下滑？”这样的开放式问题，当方法不确定时，用户可以用 Agentic 风格定义流程。相比之下，具有明确、固定步骤的场景则使用工作流风格。这让开发者能够以最少的配置构建 Agent 应用。Agentic 和工作流方法的无缝集成是部署企业级智能 Agent 的最佳实践。
4. 应用生态与未来展望
随着一个完整、统一的无代码 Agent 框架的到位，RAGFlow 自然支持各种特定场景的 Agent 应用——这是其长期发展的一个主要焦点。换句话说，大量的 Agent 模板将在 RAGFlow 之上构建，并得到我们新的生态系统共创计划的支持。
RAGFlow 0.20.0 引入了深度研究（Deep Research）作为内置模板——这是一个卓越的 Agent，既可以作为独立的应用程序，也可以作为构建其他智能 Agent 的基础。我们将在即将发布的文章中详细解释如何构建深度研究模板。
下面的例子显示，在 RAGFlow 平台上，深度研究可以使用 Agentic Workflow 或传统工作流方法创建，前者提供了远超后者的灵活性和简单性。通过传统工作流构建的深度研究
用 Agentic Workflow 构建的深度研究显示，与上述工作流实现相比，复杂性显著降低
RAGFlow 的生态系统倡议旨在提供嵌入行业知识的、企业级可用的智能体模板。开发者可以根据自己的业务需求轻松定制这些模板。其中，深度搜索 (Deep Research) 是最重要的，因为它代表了智能体 RAG (Agentic RAG) 最常见的形式，也是智能体从企业数据中挖掘深层价值的必经之路。基于 RAGFlow 内置的深度搜索模板，开发者可以快速将其转化为专业助手——如法律或医疗顾问——从而显著缩小业务系统与底层基础设施之间的差距。这种生态系统方法得益于 RAG 与智能体之间的紧密协作。0.20.0 版本的发布标志着 RAGFlow 在整合 RAG 与智能体能力方面迈出了重要一步，后续计划进行快速更新，包括记忆管理和手动调整智能体计划 (Agent Plans) 等。虽然统一 Workflow 与 Agentic Workflow 大大降低了构建企业级智能体的门槛，且生态系统扩展了它们的应用范围，但围绕 RAG 融合结构化与非结构化数据的数据基础仍然是智能体能力的基石。这种方法现在被称为“上下文工程 (Context Engineering)”，传统的 RAG 代表其 1.0 版本。我们未来的文章将更详细地探讨这些进展。
欢迎继续支持我们 - 在 GitHub 上为 RAGFlow 点星：https://github.com/infiniflow/ragflow
参考文献
- ReAct: 在语言模型中协同推理与行动 https://arxiv.org/abs/2210.03629
- Reflexion: 具有语言强化学习能力的语言智能体 https://arxiv.org/abs/2303.11366
- 构建智能体实用指南 https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf