关注RagFlow的小伙伴们在催更RagFlow 最新版的进展😎

但是RagFlow在 v0.20.0进行了全面重构，官方号称 里程碑式的版本，你不想顺便了解一下吗？🤔

于是，耗时3天，把2025年（至今）RagFlow的版本更新，整理了一份总结

【更新频率】自2025年2月以来，已发布12个版本，平均每2-3周更新一次。
虽然8月、9月的更新频次貌似跟上半年持平，但是看release内容可以知道，v0.20.0之后的功能质量完胜之前的。

先来看看新版本的更新内容，完整总结见 文末

👀v0.20.0 的干货最多哈！咱从全面重构开始讲

---

部署教程见文末

1.UI重构

老版本没有首页

自v0.20.0新版本后，启动RagFlow服务器，就来到首页。

就是把知识库、聊天、搜索、智能体，四项内容，在首页再完整显示一下，配色好看些。

2.双向MCP

什么是MCP？MCP指的是模型上下文协议，方便LLM集成外部工具。
什么是双向？意思是：方便导入别人做好的MCP服务器，也能把自己的agent作为MCP客户端，给其他应用使用。

要实现 双向MCP，你一定有这3个问题：
1.如何启动 RAGFlow MCP 服务器？[1]
2.如何作为MCP客户端？[2]
3.如何导入MCP服务器

前两个问题，详见官方教程，见链接。

第3个问题，导入MCP 在右上角的设置中，右侧栏点击 MCP 可以看到。

支持两种方式导入：①导入json文件，②手动编辑

具体说下方式①

1. 复制：魔搭MCP广场[3]找1个MCP服务，如12306-MCP，复制右侧的服务器配置信息

2. 粘贴：新建 12306.json，粘贴服务器配置

3. 上传：点击Import，上传json文件

4. 最后点击保存
   

   RagFlow导入MCP全流程

点到编辑，可以看到各项可用工具，表示配置成功🎊

3.Multi-Agent（多级Agent）

这是单层Agent

单层Agent

这是多层Agent

多层Agent

✅ 定义：单层Agent是指一个任务由一个智能体独立完成，不涉及层级分工或任务传递。
🎯 适用场景：

• • 简单任务自动化：如自动问答、文档摘要、数据提取。
• • 用户直接交互：如客服机器人、语音助手。
• • 单一目标明确的任务：如查询天气、翻译文本。
  💡示例：“帮我总结一下这篇论文。”

✅ 定义：多层Agent是指任务由多个智能体协作完成，存在层级分工或任务流转，比如一个Agent负责规划，另一个负责执行，另一个负责验证。
🎯 适用场景：

• • 复杂任务拆解：如项目管理、自动化运营流程。
• • 需要协作与反馈的场景：如智能客服系统中，一个Agent负责理解问题，另一个负责调用API，另一个负责生成回答。
• • 高阶智能应用：如模拟谈判、多角色游戏AI、自动化数据清洗+建模+报告生成。
  💡 示例：“帮我分析这份销售数据，并生成一个PPT报告。”一个Agent负责分析数据，另一个负责生成图表，第三个负责排版PPT。

---

🔍 单层Agent vs 多层Agent 对比

特性	单层Agent	多层Agent
架构复杂度	简单	复杂
任务处理能力	适合单一任务	适合复杂任务
可扩展性	低	高
协作能力	无	强（支持分工与协作）
适用用户	AI小白、普通用户	高阶用户、开发者、企业用户
技术门槛	低	高
应用场景	简单问答、摘要、翻译	自动化流程、数据分析、智能系统

---

📝 总结一句话：

单层Agent适合“点对点”的简单任务，

多层Agent则擅长“分而治之”的复杂流程。

4.Agentic

🔔重头戏来了！

去年，RagFlow仅有Workflow，并没有 Agentic Workflow的能力。

官方指出

这不是完整的 Agent。
同时包含Workflow + Agentic Workflow，才算完整的Agent。

• • Workflow：靠人工规划和定义任务。（固定的）
• • Agentic Workflow：依赖 LLM 自动规划和执行。（灵活的）

在 Anthropic 2024 年底的著名博文“Building effective agents”中，强调 Workflow 仍是 Agent 应用的主要形式。

于是，RagFlow在v0.20.0重磅推出了 Agentic 特性，完全重构了 ”智能体“节点。

来看看官方的表述：

新版本比老版本，更换了样式、修改了提示词、添加了工具（知识库检索/MCP/维基等）、添加了智能体等等

"智能体节点"的新老版本对比

更重要的是，这个智能体内置Agentic特性，具备自主规划功能。
意思是在智能体_0中添加智能体_2 和 智能体_3，不用在智能体_0中指定先用哪个智能体。

---

🧠通俗比喻：筷子与叉子的智能选择
假设你是智能体_0，你有两个工具：

• • 筷子（智能体_2）
• • 叉子（智能体_3）

在传统 Workflow 中，你得提前告诉自己：“吃米饭用筷子，吃面用叉子”，并且不能改变先后顺序。

而在 Agentic Workflow 中，你不需要硬性指定，系统会根据任务内容自动判断：

• • 吃饭 → 自动调用“筷子”（智能体_2）
• • 吃面 → 自动调用“叉子”（智能体_3）

就像你吃饭时，大脑自动选择最合适的餐具，而不需要你手动“编程”每一步。

传统 Workflow 是“剧本杀”，Agentic Workflow 是“即兴表演”。

5.用变量指定知识库

✅功能描述：支持勾选固定的知识库，也支持知识库名称 由 变量****动态指定（灵活的）。如图所示

效果是一样的。

🎯 适用场景：知识库需要动态指定的情形
📝 小技巧：知识库名称支持模糊匹配，没有填准确的名称，也能匹配到！

6.多个模型同时比较

✅功能描述：支持多个模型同时比较（最多3个）
在聊天助手的右上方，点击“多模型”，就进入多个模型同时问答的界面。自行选择模型和参数，进行问答。

🎯 适用场景：比较哪个模型对当前任务的稳定性

7.知识库增强

引入了抽象语法树(AST)支持Markdown文件解析

介绍：AST技术支持理解Markdown文档的层级结构，根据标题、列表、代码块等语义元素进行智能分块。

据说可以做到：二级标题下的内容应该作为一个整体处理，而不是简单地按照字符数进行分割。

但笔者用md文件测试，暂未复现效果，也未找到对应开关，后续发现再来跟朋友们分享！

8.上线新模型

---

2025年RagFlow版本更新总结（长图）

---

部署

部署教程见 通过 Docker 部署 RAGFlow[4]

1. 克隆仓库

$ git clone https://github.com/infiniflow/ragflow.git  $ cd ragflow/docker  $ git checkout -f v0.20.5

2. 启动RagFlow服务器

docker compose -f docker-compose.yml up -d

写在最后

✨RAGFlow 从 v0.20.0 开始，真正“飞”起来了！

正如官方所言：

“Agent 的拼图终于完整”
“这是一个里程碑式的版本”

从工作流的全面升级，到知识库能力的增强，RAGFlow 正在逐步构建起一个更强大、更智能的 AI 应用底座。

同时，期待更多插件的加入，进一步丰富其应用生态，让它在更多行业和场景中落地生根。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】