开源的项目RAGFlow v0.27.0 正式发布。作为最后一个以 Python 为后端基础语言的大版本，本次更新的重心在于引入全新的

。未来，RAGFlow 将定位为以知识编译为基础、服务各类 Agent 框架的智能体数据基座。

以下逐一介绍本次更新的主要特性。

“知识编译”一词源于 Karpathy 提出的 LLM Wiki 理念，但在 RAGFlow 中，其内涵远不止于此——它是一套将非结构化数据转化为结构化、可复用知识资产的系统化技术。

该引擎不仅能完成文档的解析、切分和索引，还能进一步识别其中的实体、关系、概念、时间信息及层级结构，并按照不同知识形态进行组织。

通过知识编译，原始数据可被编译为 Wiki、Graph、Tree、Page Index、Mind Map、Timeline 等多种 Knowledge Artifacts，并可进一步生成 Skills。这些知识资产可持续用于 Search、Chat 和 AI Agent，为 AI 提供更丰富、更具结构性的上下文信息。

对用户而言，知识编译让复杂文档更易于浏览和理解，让原本分散的信息之间的关联更加清晰，同时也将一次性文档处理结果沉淀为可长期检索、可重复使用的知识资产。

Wiki：把分散资料组织成可浏览的知识体系

Wiki 可将数据集中的零散资料组织成相互连接的知识页面。用户可通过导航视图按主题、实体和概念浏览，也可通过图谱视图探索知识之间的关联，并随时追溯原始材料。

Wiki 页面还支持编辑、版本管理和版本对比，并支持导出为 Markdown 文件。

Graph 可提取文档中的实体及其关系，构建成交互式知识图谱。用户可搜索或点击不同节点，快速查看相关实体与关系，从而发现跨文档的知识连接。

Tree 按语义关系将知识组织为层级结构，使用户能够从高层主题逐步深入到具体内容。Tree 的组织是保持文档阅读序的，它既可针对整个数据集生成，也可针对单份文档生成，适用于大型知识库和复杂长文档的分层探索。

Page Index：保留并呈现文档章节结构

Page Index 根据文档中的标题、章节、小节、关键事实和结论生成层级索引，并保留原始文档的逻辑结构，特别适合技术手册、研究报告、法律文件等长文档的导航和信息定位。

Mind Map 围绕核心主题，将相关概念组织成不同的主题和子主题，让用户能够从整体上快速了解文档中的主要内容及其关联。

Timeline 识别文档中的时间和事件，并按照时间顺序形成完整的事件序列，帮助用户直观了解事件的发展过程，适用于企业发展、项目里程碑、政策演进和历史记录等场景。

3、To Skills：将知识进一步编译成 Skills

，RAGFlow 可以将 Dataset 中的知识进一步组织成一系列 Skills 文件。每个 Skill 包含名称、描述、层级、知识概览以及相关源文档，为后续的知识检索和 AI 应用提供可复用的知识导航文件。

在 RAGFlow v0.27.0 中，使用知识主要包括以下几个步骤：

进入 Agent 模块，创建 Compilation Operator，选择用于知识抽取的 LLM 以及需要生成的 Artifact 类型（Wiki、Graph、Tree、Page Index、Mind Map、Timeline 等）。

用户还可配置全局规则，以及需要抽取的实体、关系、声明和概念，从而定义 RAGFlow 理解与组织知识的方式。

创建 Ingestion Pipeline，并将知识编译模板配置到 Compiler Operator 中。一个典型的 Pipeline 可包含 Parser、Chunker、Compiler 和 Indexer，依次完成文档解析、切分、知识编译和索引。

  将 Pipeline 应用到 Dataset 或文档

创建或打开 Dataset，上传文档并选择已配置知识编译的 Ingestion Pipeline。用户既可为整个数据集使用统一 Pipeline，也可为单独文档选择不同 Pipeline，从而生成不同类型知识资产。

Pipeline 运行后，RAGFlow 会执行知识编译并生成相应 Artifacts。

用户可在数据集 → Artifacts 中查看数据集级别的 Wiki、Tree/Page Index、Graph、Mind Map、Timeline 和 To Skills；也可在单份文档的 Artifact 页面查看该文档生成的知识资产。

  在 AI 应用中使用编译后的知识

生成的 Knowledge Artifacts 可用于 Search、Chat 和 Agent，为检索、问答和智能体提供更结构化、可复用的知识支撑。

通过知识编译，RAGFlow 将非结构化文档转换为多种形式的结构化知识资产——用 Wiki 阅读知识，用 Graph 发现关系，用 Tree 和 Page Index 理解结构，用 Mind Map 探索主题，用 Timeline 查看事件演进，用 To Skills 实现知识复用。从文档到 Knowledge Artifacts，v0.27 让知识更易于组织、理解、检索和复用。

传统 RAG 的检索流程通常是固定的：用户提问 → 系统检索一次知识库 → 找到相关 Chunk → LLM 根据 Chunk 生成回答。

这种模式在简单问答中足够高效，但在复杂问题面前局限明显。

例如用户问：“RAGFlow v0.27.0 相比之前版本，在知识编译方面有哪些变化？”常规检索可能直接以整句查询一次，然后将召回结果交给 LLM。

但该问题实际包含多个信息需求：既要定位 v0.27.0 的知识编译功能，也要了解上一版本相关能力，还需比较两者差异。若首次召回不完整，答案很容易遗漏关键点。

v0.27.0 引入的 Agentic Retrieval 旨在让检索过程不再局限于“执行一次搜索”，而是融入 Agent 的判断与规划能力——即在检索时先思考“问题该如何查、要查什么，当前结果是否充分，是否需要继续检索”。

用户提问 → 检索一次 → 找到相关 Chunk → LLM 回答

而 Agentic Retrieval 的流程更接近：

用户提问 → 分析问题 → 制定检索策略 → 执行检索 → 判断结果是否足够 → 必要时调整 Query 或再次检索 → 整合信息 → 回答

这意味着 RAGFlow 不再只依赖原始问题做一次召回，而是能先拆解子需求、改写或拆分 Query，分别查找不同证据；若当前结果不足，可补充检索；最终综合多轮信息给出答案。

在使用层面，RAGFlow 将该能力包装为五档 Thinking 模式：简单、轻度、中、高、极高。

此前，RAGFlow 已完成了模型提供商底层架构的升级——从扁平化的模型配置升级为 Provider → Instance → Model 三层结构，从而能够表达更复杂的部署关系：同一提供商下可有多个实例，不同实例可使用不同 API Key、不同区域、不同 Base URL，每个实例下又可配置多种模型。

在 v0.27.0 中，重点转向“用户能否高效管理”。新版本对模型提供商页面进行了进一步重构：界面改为左侧提供商列表、右侧实例卡片的结构。

用户可选择 OpenAI 等提供商，然后在右侧集中管理该提供商下的所有实例。若某提供商尚无实例，页面会自动展示新建实例草稿，用户只需填写实例名称、API Key、Base URL 等必要信息即可开始配置。

模型管理也更贴近真实部署场景。完成实例基础配置后，RAGFlow 会自动从对应提供商拉取可用模型列表并填充至该实例的模型列表中，用户无需逐个手动录入。

在自动生成的列表上，用户可继续调整：移除当前实例不需要的模型，或手动添加提供商已支持但未自动填充的自定义模型。

这意味着，同一提供商下的不同实例可拥有不同的模型配置。例如一个 OpenAI 实例仅用于 Chat，另一个专门用于 Embedding；一个 SILICONFLOW 实例挂载生产模型，另一个区域实例用于测试。

模型不再只是提供商级别的统一清单，而是可精确到每个实例独立管理。

配置完成后，用户可验证模型是否可用——既可单独验证某一模型，也可勾选多个模型批量验证；若需检查整个实例下的模型，可全选后一次性验证。

对于同时包含 Chat、Embedding、Rerank、OCR、TTS 等多类模型的提供商，这种实例级配置和批量验证能力显著降低了接入与运维成本。

保存逻辑也被拆得更清晰：实例名称、API Key 等实例级配置通过顶部“保存”按钮统一校验和保存；已保存实例中的模型清单则在模型列表中直接维护，添加或移除模型时会立即更新该实例的配置，无需再次点击顶部保存。

实际场景中，模型接入方式多种多样：有人同时使用云端和本地服务，有人在同一提供商下配置不同 API Key，也有人将 Chat、Embedding、Rerank、OCR 等能力拆分到不同实例中管理。

正是围绕这些真实使用场景，补齐了多实例、多模型、多能力类型的配置体验。

此外，新版本继续扩展模型提供商支持，新增 AIMLAPI、GreenPT 等提供商，补齐 Hugging Face 的模型列表能力，并优化 Bedrock、SoMark、VolcEngine、VLLM 等 Provider 的字段配置与验证逻辑。

发展了数十年的信息检索技术，其服务对象正从人类用户逐步扩展至 Agent，调用频率和性能要求随之大幅提升。因此，向 Go 迁移是应对这一趋势的必要步骤，也是 RAGFlow 从开源软件走向生产级数据基座的关键一跃。

开源的项目RAGFlow v0.27.0 正式发布。作为最后一个以 Python 为后端基础语言的大版本，本次更新的重心在于引入全新的知识编译引擎、升级的 Agentic Retrieval 框架，以及重新设计的模型提供商接入配置。未来，RAGFlow 将定位为以知识编译为基础、服务各类 Agent 框架的智能体数据基座。

【开源】知识编译和 Agentic retrieval---RAGFlow v0.27.0

RAGFlow v0.27.0 正式发布。作为最后一个以 Python 为后端基础语言的大版本，本次更新的重心在于引入全新的知识编译引擎、升级的 Agentic Retrieval 框架，以及重新设计的模型提供商接入配置。未来，RAGFlow 将定位为以知识编译为基础、服务各类 Agent 框架的智能体数据基座。

人工智能

架构设计

RAGFlow v0.27.0发布，引入知识编译引擎，将非结构化数据转化为Wiki、Graph等结构化知识资产；升级Agentic Retrieval框架，支持五档思考模式；重构模型提供商配置，实现实例级模型管理。

结构化数据

知识图谱

文档处理

智能体

Markdown

Python

GitHub

Agent

2026上云采购 | AI焕新·智启新局

lexiang

mmdp

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

【开源】知识编译和 Agentic retrieval---RAGFlow v0.27.0

【开源】知识编译和 Agentic retrieval---RAGFlow v0.27.0

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐