距离我们上一次的年终回顾已经过去了半年。随着年初 DeepSeek 引发的兴奋浪潮逐渐消退，AI 似乎进入了一个停滞阶段。这种模式在检索增强生成（RAG）领域同样明显：尽管关于 RAG 的学术论文层出不穷，但近几个月来重大突破寥寥无几。同样，RAGFlow 最近的迭代也主要集中在增量改进上，而非发布重大新功能。这是未来飞跃的开始，还是稳步增量增长时期的开端？因此，进行一次年中评估既及时又必要。

2024 年即将结束，检索增强生成（RAG）的发展可谓波澜壮阔。让我们从多个角度全面回顾这一年的进展。

RAGFlow 2024 年的最终版本 v0.15.0 刚刚发布，带来了以下关键更新

智能体（Agent）改进​

此版本对智能体（Agent）进行了一些增强，包括增加 API、单步运行调试以及导入/导出功能。自 v0.13.0 版本以来，RAGFlow 的智能体已经过重构以提升易用性。此次的单步运行调试功能为此画上了句号，使得智能体工作流中的算子可以单独执行，从而帮助用户根据输出信息进行调试。

Infinity 是一款专为检索增强生成（RAG）设计的数据库，在功能和性能上都表现出色。它为密集和稀疏向量搜索以及全文搜索提供高性能支持，并能对这些数据类型进行高效的范围过滤。此外，它还具备基于张量的重排（reranking）功能，能够实现强大的多模态 RAG，并集成了与交叉编码器（Cross Encoders）相媲美的排序能力。

RAGFlow 响应社区需求，引入了 Text2SQL 功能。传统的 Text2SQL 需要对模型进行微调，这在企业环境中与 RAG 或 Agent 组件一同使用时，会显著增加部署和维护成本。RAGFlow 基于 RAG 的 Text2SQL 利用了现有（已连接）的大语言模型（LLM），实现了与其他 RAG/Agent 组件的无缝集成，无需额外的微调模型。

RAGFlow v0.9 版本引入了对 GraphRAG 的支持。GraphRAG 最近由微软开源，据称是下一代检索增强生成（RAG）技术。在 RAGFlow 框架中，我们对 RAG 2.0 有一个更全面的定义。这个提出的端到端系统以搜索为中心，包含四个阶段。后两个阶段——索引和检索——主要需要一个专用数据库，而前两个阶段定义如下

搜索技术至今仍然是计算机科学领域的一大挑战，鲜有商业产品能够实现高效搜索。在大语言模型（LLM）兴起之前，强大的搜索能力并不被认为是必需品，因为它对用户体验没有直接贡献。然而，随着 LLM 的普及，企业若要应用 LLM，就必须配备一个强大的内置检索系统。这也就是我们所熟知的检索增强生成（RAG）——在将内容送入 LLM 生成最终答案之前，先在内部知识库中搜索与用户查询最相关的内容。

从 v0.8 版本开始，RAGFlow 正式进入智能体（Agentic）时代，后端提供了全面的基于图的任务编排框架，前端则提供了无代码的工作流编辑器。为什么要引入智能体？这项功能与现有的工作流编排系统有何不同？

一个朴素 RAG 系统的工作流程可以概括如下：RAG 系统使用用户查询从指定的数据源中进行检索，对检索结果进行重新排序，附加提示词，然后将它们发送给大语言模型（LLM）以生成最终答案。

在用户意图明确的情况下，一个简单的 RAG 就足够了，因为答案已经包含在检索到的结果中，可以直接发送给 LLM。然而，在大多数情况下，用户意图模糊是常态，需要通过迭代查询才能生成最终答案。例如，涉及总结多份文档的问题就需要多步推理。这些场景需要智能体化 RAG（Agentic RAG），它在问答过程中引入了任务编排机制。

智能体和 RAG 相辅相成。智能体化 RAG（Agentic RAG），顾名思义，是基于智能体的 RAG。它与简单 RAG 的主要区别在于，智能体化 RAG 引入了动态的智能体编排机制，该机制能够评估检索结果、根据用户查询的意图重写查询，并采用“多跳”推理来处理复杂的问答任务。

RAGFlow v0.6.0 本周发布，解决了自今年四月初开源以来出现的许多易用性和稳定性问题。RAGFlow 未来的版本将专注于解决 RAG 能力的深层次问题。恕我直言，市面上现有的 RAG 解决方案仍处于 POC（概念验证）阶段，无法直接应用于真实的生产场景。