RagFLow v0.20.X全面解析！双向MCP、Agentic智能体...这次真的起飞了！（附长图）

RagFLow v0.20.X全面解析！双向MCP、Agentic智能体...这次真的起飞了！（附长图） RagFLow v0.20.X全面解析！双向MCP、Agentic智能体...这次真的起飞了！（附长图） Modified September 18, 2025 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 这个在上一期内容中介绍过啦 RAGFlow首个支持美团LongCat的LLMops平台 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 Code block Plain Text Copy $ git clone https://github.com/infiniflow/ragflow.git $ cd ragflow/docker $ git checkout f v0.20.5 1. 2. 启动RagFlow服务器 Code block Plain Text Copy 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。 📢 你已经在工作中使用 RAGFlow 了吗？ 欢迎在评论区分享你的使用体验、落地场景或遇到的挑战，一起交流成长！ 引用链接 [1] 1.如何启动 RAGFlow MCP 服务器？: https://ragflow.io/docs/v0.20.5/launch mcp server [2] 2.如何作为MCP客户端？: https://ragflow.io/docs/v0.20.5/launch mcp server [3] 魔搭MCP广场: https://www.modelscope.cn/mcp [4] 通过 Docker 部署 RAGFlow: https://ragflow.io/docs/dev/ 实践出真知，与君共勉 Code block Plain Text Copy 📢【三连好运 福利拉满】📢 🌟 若本日推送有收获： 👍 点赞 → 小手一抖，bug没有 📌 在看 → 一点扩散，知识璀璨 📥 收藏 → 代码永驻，防止迷路 🍻 分享 → 传递战友，功德+999 🔔 关注 → 关注“AI早高峰”，追更不迷路，干货永同步 💬 若有槽点想输出： 👉 评论区已铺好红毯，等你来战！ RAGFlow首个支持美团LongCat的LLMops平台 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 这个在上一期内容中介绍过啦 RAGFlow首个支持美团LongCat的LLMops平台 RAGFlow首个支持美团LongCat的LLMops平台 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 1. 2. 启动RagFlow服务器 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。 📢 你已经在工作中使用 RAGFlow 了吗？ 欢迎在评论区分享你的使用体验、落地场景或遇到的挑战，一起交流成长！ 引用链接 [1] 1.如何启动 RAGFlow MCP 服务器？: https://ragflow.io/docs/v0.20.5/launch mcp server [2] 2.如何作为MCP客户端？: https://ragflow.io/docs/v0.20.5/launch mcp server [3] 魔搭MCP广场: https://www.modelscope.cn/mcp [4] 通过 Docker 部署 RAGFlow: https://ragflow.io/docs/dev/ 实践出真知，与君共勉 🔗 原文链接： https://mp.weixin.qq.com/s/TANeBXkz... https://mp.weixin.qq.com/s/TANeBXkz... 原创 AI早高峰 AI早高峰2025年09月16日 15:40 上海 字数 2124，阅读大约需 11 分钟 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 如果你看过这篇文章， Dify v1.6.0 更新太狠了！手把手教你玩转 Dify 的 双向MCP 功能 Dify v1.6.0 更新太狠了！手把手教你玩转 Dify 的 双向MCP 功能 对 双向MCP 一词，一定不陌生。 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 1. 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🎊 编辑MCP服务 没太看懂的小伙伴可以温习下这篇 MCP从理论到实战，别再和Function Calling搞混了！建议收藏(附实战案例) MCP从理论到实战，别再和Function Calling搞混了！建议收藏(附实战案例) 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 特性 特性 单层Agent 单层Agent 多层Agent 多层Agent 架构复杂度 架构复杂度 简单 简单 复杂 复杂 任务处理能力 任务处理能力 适合单一任务 适合单一任务 适合复杂任务 适合复杂任务 可扩展性 可扩展性 低 低 高 高 协作能力 协作能力 无 无 强（支持分工与协作） 强（支持分工与协作） 适用用户 适用用户 AI小白、普通用户 AI小白、普通用户 高阶用户、开发者、企业用户 高阶用户、开发者、企业用户 技术门槛 技术门槛 低 低 高 高 应用场景 应用场景 简单问答、摘要、翻译 简单问答、摘要、翻译 自动化流程、数据分析、智能系统 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。 20250916132431.png 🎯 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