搜索技术仍然是计算机科学中的主要挑战之一，很少有商业产品能够有效地进行搜索。在大型语言模型（LLM）兴起之前，强大的搜索能力并不被认为是必需的，因为它不会直接提升用户体验。然而，随着 LLM 变得越来越受欢迎，为了将 LLM 应用于企业场景，强大的内置检索系统变得必不可少。这也被称为检索增强生成（RAG），即在将内容发送给 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 Agent 式时代，在后端提供了全面的图谱任务编排框架，在前端提供了无代码工作流编辑器。为什么是 Agent 式？此功能与现有的工作流编排系统有何不同？
一个朴素 RAG 系统的工作流程可总结如下：RAG 系统根据用户查询从指定数据源进行检索，对检索结果重新排序，添加提示词，然后将其发送给 LLM 生成最终答案。
在用户意图明确的场景下，一个朴素 RAG 足以满足需求，因为答案包含在检索结果中，可以直接发送给 LLM。然而，在大多数情况下，模糊的用户意图是常态，需要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需要多步推理。这些场景需要 Agent 式 RAG，它在问答过程中包含任务编排机制。
Agent 和 RAG 相互补充。Agent 式 RAG，顾名思义，是一种基于 Agent 的 RAG。Agent 式 RAG 与朴素 RAG 的主要区别在于 Agent 式 RAG 引入了动态的 Agent 编排机制，该机制能够评估检索结果，根据每次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。