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。
👀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
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" data-itemshowtype="0" linktype="text" data-linktype="2">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。
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
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)
3.Multi-Agent（多级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
📝 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。
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
🎯 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。
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 v0.20.52. 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。
