配置、记忆、链路、意图、编排五层各司其职。每层都可以独立测试和替换——比如想换一个意图分类策略，只需修改 intent.py，其他层不受影响。本文完整拆解了基于 LangChain 的后端主流程构建，从 MongoDB 记忆管理、双链路设计、Function Calling 智能分发、到闭包工厂模式统一编排，形成了一套可落地、可扩展的企业级 RAG 对话系统架构。将 LLM 的"智能"用到了系统的

MCP（Model Context Protocol，模型上下文协议）是一种让 LLM 与外部工具进行标准化交互的协议。LLM 不直接执行操作，而是根据用户意图选择合适的工具工具函数作为"能力单元"被注册到系统中系统自动分析用户输入，判断意图并调度对应工具在我们的场景中，RAGFlow 知识库本身只能根据用户的文字描述进行查询。用户输入是自由表达的自然语言，无法要求他们按照严格格式规范输入。因此，

文档解析是核心：RAGFlow 的多模态解析能力是其区别于普通向量数据库方案的关键优势，尤其对于 PDF 中的图片、表格内容助理描述至关重要：详细的助理描述能显著提升问题处理的灵活性和准确性模型选择策略：向量化模型、重排模型、生成模型应搭配选择，千问系列提供了端到端的统一方案知识库隔离：不同领域知识应创建独立知识库，通过助手灵活组合，便于管理和维护来源可追溯：每个回答都标注信息来源，保证了企业场景