KnowFlow v2.3.3 正式发布，带来重大性能升级与多模态增强。核心更新包括：1）采用 Milvus 作为默认向量数据库，实测高并发下吞吐量提升 2.5 倍；2）引入 Qwen3-VL-Embedding 实现图文混合检索；3）新增表格内图片提取功能；4）支持钉钉机器人企业集成；5）提供负载均衡部署方案。技术亮点包括独创的"按维度分Collection"架构、统一多模态

KnowFlow v2.3.2 的发布，标志着我们在企业级知识管理领域又迈出了坚实的一步。从 ColPali 多模态解析到企业微信集成，从 Dify 生态对接到云原生部署，每一项功能都是我们对企业真实需求的回应。我们相信，在 AI 时代，数据治理将成为企业的核心竞争力。KnowFlow 将持续深耕这一领域，为企业提供更可信、更智能、更易用的知识管理解决方案。KnowFlow v2.3.2 现已发布

KnowFlow v2.1.6版本发布，带来三大核心更新：1)实现"以文搜图"功能，通过视觉模型增强图片描述并向量化存储；2)全面重构UI设计，采用AI生成的设计规范优化视觉体验和加载性能；3)新增API自动化测试体系，确保80余个接口的稳定性。本次更新还修复了多个技术缺陷，优化了分块检索逻辑和聊天提示词。产品定位聚焦于构建可信数据治理平台，未来将深化与Agent平台的整合并拓

在 AI 时代，数据质量决定了应用质量。KnowFlow 解决了数据治理的问题，让知识库"可信"；KnowEval 解决了质量评测的问题，让 RAG 系统"可控"。数据治理 + 质量保证 = RAG 工程化的完整闭环降低 RAG 应用的开发门槛：从数据准备到质量保证，全流程工具化提升 RAG 应用的质量上限：通过数据驱动优化，持续提升问答效果加速 RAG 应用的落地速度：从几个月缩短到几周甚至几天

上周我们团队开源了 RAGFlow 知识库支持图文混排后，有同学私信我们能不能做一个前端出来，释放双手。企业生产环境下知识库管理者通过，效率将会大幅度提升。文档上传完成后，在 RAGFlow 进行问答，便可以。

在进入测评前，我们简单了解一下 RAG。检索（Retrieval）：从知识库中找到与用户问题相关的信息。生成（Generation）：基于检索到的信息，利用大语言模型生成答案。这种方式可以大幅提升问答的准确性和相关性，尤其在应对企业知识库场景时表现突出。

受制于篇幅，本文着重介绍了企微应用该场景，事实上企业微信近期还推出了「智能机器人」产品，可以在群聊里提供智能机器人能力。这里就不再展开，有兴趣的同学可以深入交流交流。另外 KnowFlow 发布了 v0.2.0 版本，图文混排能力再度升级，支持自定义分块以及坐标溯源。在保障文档解析和分块效果的前提下准确定位分块在原文档的位置。上述所有源码均已开源，欢迎关注「KnowFlow 企业知识库」获取源码和

KnowFlow v1.0.0正式接入MinerU 2.0，主要解决原架构耦合度高、部署困难的问题，并显著提升文档OCR识别准确率。新版支持三种部署模式，重点推荐vlm-sglang-client模式，在单卡4090上可达10,000+tokens/s的吞吐量。项目采用组件化设计，提供轻量级和完整版Docker镜像，并开放源码方便二次开发。开发者发烧期间仍坚持完成版本发布，强调开源项目的价值在于技

KnowFlow v2.1.9推出知识库导入导出功能，解决企业离线环境知识管理痛点。该功能支持在线环境利用强大算力完成文档解析、智能分块和向量化处理后，将完整知识库导出为压缩包，通过物理介质快速部署到离线环境。相比传统方式，可降低80%硬件成本，提升5-12倍效率，实现秒级知识库迁移。功能包含完整元数据导出、多模式导入及严格校验机制，适用于金融、制造等需要网络隔离的场景，保障业务连续性和合规要求。

在大模型越来越聪明、上下文长度越来越长的趋势下，RAG 是不是要退出历史舞台？我的回答是恰恰相反：RAG 反而可能会随着技术的进步进一步演化，甚至在某些场景下变得更加重要。因为 RAG 有一些天然的特性是可以和大模型相辅相成的，如知识的时效性、减少计算和存储成本、知识安全可控。未来的趋势可能是超长上下文 和 智能检索双管齐下，以应对不同应用场景的需求，真正的给企业降本增效，进入 AI 时代。最后介