SOOOOOOOOO的专栏

本文探讨了Agentic-RAG在企业AI应用中的核心价值与实践方法。通过结合Self-RAG和Adaptive-RAG技术，构建了一个具备智能决策能力的RAG工作流，能够动态处理问题分类、证据评估、查询改写、追问澄清和高风险控制等关键场景。实验设计了15道涵盖5类典型问题的测试集，重点验证系统在复杂业务环境下的判断力与可靠性。研究表明，Agentic-RAG的核心优势不在于更"聪明"的回答，而在于更精准的决策机制——包括问题分流、证据评估、风险管控等能力，同时保持系统的可调试性和合规性

本文介绍了Adaptive-RAG在企业级应用中的策略路由机制。主要内容包括： 策略路由的意义：不同于传统RAG的统一处理流程，Adaptive-RAG能根据问题类型选择不同处理路径，特别适用于企业复杂文档场景。 技术框架：通过"问题分析+策略选择+分支执行"的流程，将问题分类为知识库检索、高风险流程、追问补充等不同处理分支。 实验设计：构建火电厂设备运维和安全隔离知识库，验证系统能正确识别不同类型问题并选择相应处理策略。 实现方案：详细展示了基于Query Classifier的问

本文探讨了Self-RAG工作流中意图识别与Query改写的内在联系。研究发现，Self-RAG通过证据评估分支（Evidence Grader）和改写再检索分支（Query Rewriter）已内置这两种能力，无需独立组件。证据评估分支实现了意图识别的分流判断功能（回答/改写/不足），而改写分支则执行检索优化。相比企业级RAG的多路由系统，Self-RAG专注于单一知识库场景下的自我修正能力验证，采用"检索-判断-改写"的闭环流程更符合其设计理念。研究指出，额外添加独立组件会干扰核心实

这篇文章介绍了一个在企业AI应用中实现Self-RAG（检索增强生成）工作流的实验。实验目标是验证当第一次检索结果不足时，系统能否正确判断不足原因并进入二次检索分支。文章详细阐述了知识库配置、工作流设计原则和具体实现方法，强调Self-RAG的核心价值在于证据不足时的智能处理能力，而非简单的多次检索。实验结果表明，在高质量知识库中基础检索可能已足够，Self-RAG主要解决证据缺失时的精准补检或泛化重检问题。文章提供了完整的工作流文件和测试方法，方便读者复现实验。

摘要（149字）： Agentic RAG通过动态流程编排解决企业RAG的核心痛点——普通RAG无法区分问题类型，导致高风险场景误答或证据不足时硬答。其核心价值在于：1）证据不足时主动拒答或追问；2）对复杂问题分解检索与综合；3）高风险问题强制进入安全流程。适用场景集中于模糊查询、多跳推理及合规问答，但对简单FAQ类问题可能过度设计。实际效果需结合评测集验证，平衡控制能力与系统复杂度。企业需根据问题风险等级选择普通RAG或Agentic方案。

RAGFlow 是一款开源 RAG 引擎，核心能力是把文档解析、切片、检索、重排和大模型问答串成完整链路。MinerU 是 OpenDataLab 团队开发的高精度文档解析引擎，擅长把 PDF、图片、DOCX 等非结构化文档转换为 Markdown、JSON 等机器可读格式。MinerUBridge 的目的很明确：在 RAGFlow 中引入 MinerU，但不把 MinerU 直接塞进 RAGFlow 主环境。

本文通过实验测试了RAGFlow中向量权重(Vector Weight)与关键词权重(Keyword Weight)的不同配置对检索效果的影响。使用火电厂业务文档作为测试数据，设置了四组不同权重参数（纯关键词组、纯向量组、两组混合权重）进行对比。实验发现：纯关键词组擅长精确匹配编码但语义理解不足；纯向量组语义关联能力强但容易过度解读；两组混合权重表现均衡，0.3向量+0.7关键词组合在保持精确匹配的同时提升了语义理解能力，0.7向量+0.3关键词组合则更擅长业务归纳。结果表明需要根据具体场景需求选择合适的权

文章摘要： 本文探讨了RAGFlow中Similarity Threshold（相似度阈值）参数的作用与调优策略。通过火电厂知识库的对比实验，测试了0.05、0.30和0.70三种阈值设置的表现。结果显示：0.05阈值召回全面但混杂无关内容；0.30阈值平衡了召回率和准确率；0.70阈值则过于严格导致漏检。建议根据知识库特点采用渐进式调参：从0.20-0.30开始，结合业务需求调整，专业知识库可尝试0.40-0.50，避免盲目使用极端值。阈值选择需考虑embedding模型、文本分块方式等多重因素，最终目标

本文探讨了RAGFlow中Chunk Token Num和Overlap参数对文档处理的影响。实验表明：1) 小Chunk(50)能保留精确细节但易丢失上下文关联，适合精确信息检索；2) 大Chunk(1024)可保持语义连贯性但可能引入噪音，适合多跳推理场景；3) 10-20%的Overlap能有效修复指代断层问题。针对不同文档类型（表格、技术文档、协议文本），需灵活调整参数组合：表格内容需确保完整解析，技术文档适合大Chunk保持逻辑链，协议文本则需要中小Chunk配合Overlap来平衡细节与连贯性。

本文是《RAGFlow企业AI工程师指南》系列的第2章第2节，聚焦Chunk Method（解析方法与布局识别）的实验研究。通过对比Naive、Paper、General（配合deepdoc/MinerU）三种解析策略在企业复杂文档处理中的表现，实验发现：Naive解析导致表格碎片化；Paper解析存在跨页表格截断问题；General+MinerU组合能正确处理复杂表格（包括合并单元格和多页表格），同时保持文字段落完整性。实验证实ChunkSize参数不影响已有语义边界的内容解析。建议企业文档处理采用Gen

列举RAGFlow配置参数和优先级; 前置了通过实验获得的关键参数的综合配置

本文仅介绍 RAGFlow 的基本框架、代码目录、启动链路与核心工作流程，旨在后续实验开始前，对该系统的整体架构与处理流程形成概括性认识。

本文是RAGFlow系列教程的第一章，主要介绍如何从零开始部署RAGFlow v0.24.0并构建基础RAG流程。文章首先解析了RAGFlow的四层运行时架构：前端交互层、后端核心层、基础设施层（包含MySQL、MinIO等Docker服务）和离线模型层。随后详细说明了系统启动后的数据流转过程，包括文档上传、解析、索引建立以及问答检索的全流程。文章还提供了完整的安装部署指南，涵盖Docker环境配置、服务启动和基础功能验证，并附有常见问题解决方案。通过本章，读者可以全面了解RAGFlow的运行机制，并完成第

RAGFlow 是当前最值得深入掌握的开源 RAG 引擎。这不是因为它完美，而是因为它在企业知识管理这个场景上，覆盖了从文档解析到 Agentic RAG 再到生产部署的完整链路。这篇文章作为前言将回答两个问题：为什么（WHY）和做什么（WHAT）。