先不说 MaxKB，先说飞致云这家公司，在国内开源圈子里算是个异类。人家做开源大多是情怀驱动，它做开源是真的卖钱的——JumpServer（堡垒机）全球 40K+ star、DataEase（BI 工具）、MeterSphere（测试平台），每一个都是开源+企业版的路径，每一个都活得好好的。
所以当飞致云在 2024 年推出 MaxKB 的时候，第一批用户就是带着"这玩意应该是冲着企业级去的"预期来的。
现在 MaxKB GitHub 上 20K+ star，累计下载量超过 100 万，付费客户超过 1000 家。而且它的玩法跟 Dify、FastGPT 这些竞品不太一样——它不是一套通用 AI 开发平台，而是一套带着"企业级集成"基因长出来的智能体平台。
这个定位上的微妙差异，决定了它为什么能在这条竞争激烈的赛道上活下来。
产品路径：从 RAG 到 Workflow 到 Agent，每一步都掐着企业需求走
MaxKB 的产品理念很直白，三个字总结：渐进式。
官方叫"开箱即用，伴随成长"，翻译成人话就是：你不需要一开始就想清楚"我要上多复杂的 AI 系统"。
第一层：基础知识问答（RAG）。 你搭一个知识库，丢进去一堆文档，连上大模型，就能开始问答了。文档支持 PDF、Word、Excel、Markdown、网页抓取。后台自动做文档拆分、向量化、检索增强。门槛低到什么程度？跟着教程走，半小时内能跑通一个面向客户的 AI 问答系统。
第二层：工作流（Workflow）。 当基础问答满足不了需求的时候——比如要查数据库、要调用外部 API、要根据用户指令做多轮判断再给答案——MaxKB 的工作流引擎就派上用场了。可视化编排，不用写代码。
第三层：智能体（Agent）。 更进一步，让 AI 具备工具调用和自主决策能力，完成更复杂的业务闭环。
这个"渐进式"设定不是简单的产品路线图，它的真正价值在于降低了企业决策的门槛。CTO 不需要为了上一个"AI 项目"说服老板批几十万的预算——先用免费版搭个 RAG 试试，跑通了效果不错再往 Workflow 升级，再不够再上 Agent。每一步的投入都是上一部已验证的结果给的信心。
对比 Dify 的选择：Dify 一开始就是奔着"完整的 LLM 应用开发平台"去的，工作流、Agent、Prompt IDE、LLMOps 全给你铺好。能力全面，但学习曲线也更陡。MaxKB 的起点更低，终点不一定更低。
最大的卖点不是 AI 能力，是"怎么接入现有系统"
这是我看完 MaxKB 官网后印象最深的地方。
其他竞品在首页重点展示的是："支持 xxx 大模型"、"RAG 准确率提升到 xx%"、"工作流可视化编排"。
MaxKB 首页重点展示的是：零编码嵌入官网、企业微信、钉钉、飞书、公众号、移动端 APP。
这个差异背后是对市场需求的判断。
Dify 的目标用户是开发者——给开发者一个平台，他们自己会搞定对接。FastGPT 的目标用户是懂技术的运营人员。MaxKB 的目标用户是企业 IT 部门——他们可能没有能力或精力做深度二次开发，但需要让 AI 能力快速跑通业务流程。
对一家传统企业来说，"让 AI 接入企业微信" 这个需求比 "支持多少种 Agent 工具" 紧迫得多。
MaxKB 的嵌入方式确实是零代码——在后台配一个 Webhook 或嵌入一段 JS，企业微信、钉钉、飞书的机器人就能用了。官网访客问答也是嵌入一段 iframe 或 SDK。这个能力使得 MaxKB 在"企业级集成"这个维度上比 Dify 和 FastGPT 都更成熟。
再加上开放 API 接口——业务系统可以直接调用 MaxKB 的 API 来实现 AI 审核、AI 决策，比如客服系统接入 AI 自动回复、工单系统接入 AI 自动分类。这一步把 MaxKB 从一个"知识库问答工具"变成了"企业 AI 能力中台"。
技术选型中规中矩，但胜在成熟
技术栈不激进：前端 Vue.js + LogicFlow，后端 Python / Django，向量数据库 PostgreSQL + pgvector，核心 RAG 用了 Langchain。
对于飞致云来说，这个选型是合理的。他们团队在 Django 上有多年积累，JumpServer 和 DataEase 也是 Django 栈。Vue.js 前端也是他们擅长的领域。pgvector 虽然不像 Pinecone 或 Milvus 那样高性能，但对于大部分企业知识库场景够用了——一个企业的知识库文档量级通常在几万到几十万篇，pgvector 的检索效率完全扛得住。
对比 RAGFlow 的选型：RAGFlow 用 Python 做后端但深度定制的文档解析引擎，在复杂文档（表格、多栏排版、扫描件）上的解析精度更高。MaxKB 的文档处理能力在常见格式上没问题，但遇到排版特别复杂的文档时，RAGFlow 确实更强。
不过 MaxKB 的"模型中立"做得不错——它对接的大模型列表很长：DeepSeek、Qwen、OpenAI、Claude、Kimi、百度千帆、智谱……能接的基本都接上了。
一千个付费客户说明了什么
官网列了三个真实案例：华莱士（连锁餐饮）、中国农业大学、深圳通。
华莱士的例子最有代表性——连锁餐饮行业的客服场景：咨询量巨大、问题种类多（菜单、门店、配送、优惠券）、需要 7x24 小时响应、要求低成本。传统的方案是招一堆客服人工翻文档，效率低质量参差不齐。MaxKB 的效果是"响应时间缩短、客服成本降低、满意度提升"——典型的 RAG + 企业微信集成场景，不炫技，但实实在在省钱了。
深圳通的案例也值得看——城市公共交通服务的智能客服，需要处理充值、余额查询、使用指南等日常咨询。这类场景对准确率要求极高——回答错了不是不好用的问题，是会引起投诉的。MaxKB 能拿下深圳通这种级别的客户，说明它在 RAG 的可靠性和可控性上已经达到了生产环境的标准。
一千个付费客户，99% 不是科技公司，而是传统行业的企业。这印证了 MaxKB 的定位：它不是在跟 Dify 抢 AI 开发者，而是在抢"传统企业把 AI 用起来"这个市场。
有什么值得犹豫的
一是工作流和 Agent 的能力深度跟 Dify 还有差距。Dify 的工作流节点类型更丰富，Agent 工具市场更成熟，内置了 50+ 种工具。MaxKB 的工作流能解决大部分业务场景，但遇到极端复杂的流程时，灵活性和扩展性不如 Dify。
二是 Langchain 这个依赖。Langchain 迭代速度快，版本兼容性问题时不时冒出来。如果 MaxKB 后续对 Langchain 的版本升级跟进不及时，可能会成为维护的包袱。不过飞致云有长期维护开源项目的经验（JumpServer 从 2020 年维护到现在），这方面应该不会掉链子。
三是它主要面向国内市场，海外覆盖和英文文档还不完善。如果你的客户群体在海外，需要考虑一下。
MaxKB 证明了在中国的企业级市场上，"好用比强大更重要"。不追求在 RAG 精度上打败 RAGFlow、在工作流丰富度上追平 Dify、在 Agent 能力上对标 Coze——而是把"快速接入现有系统"这件事做到极致，然后让企业自己从简单场景开始，逐步升级。
对于一个开源项目来说，1000+ 付费客户是实打实的认可。
