RAGFlow Agent 开发：从单 Agent 到 Multi-Agent 协同

RAGFlow 的此次更新，真正将其从一款强大的检索增强生成工具，进化为了一个能够自主理解、规划并执行复杂任务的智能体（Agent）开发平台。特别是从 0.20.0 版本开始，其全新的 Agent 架构引入了规划与反思、视觉支持等核心能力，并支持构建多智能体（Multi-Agent）团队，极大地拓展了 RAG 应用的边界。本文将带您探索如何利用这些新特性，从创建一个单 Agent 到 orchestrating 一个高效协同的 Multi-Agent 团队。

一、核心内容：新版 Agent 架构的革命性特性

1. 架构新特性：规划、反思与视觉

RAGFlow 0.20.0 的 Agent 架构不再是简单的“提问-检索-回答”管道，而是具备了接近自主智能的关键能力：

• 规划（Planning）：Agent 能够根据用户的目标，自主制定分步执行计划。例如，当用户提出“分析一下公司今年Q2的销售情况并与Q1做对比”时，Agent 不会盲目搜索，而是先规划出步骤：1. 查找Q2销售报告；2. 提取关键数据；3. 查找Q1销售报告；4. 进行数据对比；5. 生成分析结论。这种“先思考后行动”的模式大幅提升了复杂任务的成功率。
• 反思（Reflection）：这是“规划”的完美搭档。当 Agent 执行某一步骤失败或得到的结果不理想时，它具备“反思”能力，能够分析错误原因，并调整策略或重试。例如，如果第一次搜索“Q2销售报告”没有找到正确文件，它会反思关键词，尝试换用“第二季度财报”、“2024年4-6月销售”等术语再次检索，直到成功。
• 视觉支持（Vision）：新版 Agent 集成了多模态模型，使其具备看懂图片的能力。这意味着它可以分析上传的图表、示意图、产品海报甚至界面截图。你可以直接问：“这张图表反映了什么趋势？” 或 “根据这个产品架构图，给我解释一下各个组件的作用。” 这项能力将知识库的范围从纯文本扩展到了丰富的视觉世界。

2. 创建 Deep Research 架构的 Multi-Agent 团队

单兵作战能力再强，也有其极限。对于极其复杂的任务，最好的方式是组建一个专家团队。RAGFlow 允许你创建多个 Agent，并为它们分配不同角色，让其协同完成一项任务。我们以构建一个“深度研究（Deep Research）”团队为例：

• “调度者” Agent (Manager)：这是团队的核心，负责与用户沟通，理解最终目标（例如：“为我提供一份关于‘固态电池’最新技术突破的详细报告，包括主要厂商和面临的挑战”），并进行顶层任务规划和分解。
• “信息搜集员” Agent (Researcher)：负责执行调度者下发的子任务。它利用强大的检索能力，在知识库和互联网（如果配置了）中爬梳相关信息，并汇总初步找到的资料和数据。
• “分析师” Agent (Analyst)：接收研究员搜集到的信息，负责进行数据的清洗、对比、归纳和总结。它需要辨别信息的重要性、真伪性和关联性。
• “撰稿人” Agent (Writer)：根据分析师提供的结构化结论，负责撰写符合用户要求格式的最终报告，保证内容的流畅、准确和条理清晰。

在 RAGFlow 中，你可以通过工作流的方式，将这些各司其职的 Agent 连接起来，让信息、指令和结果在它们之间有序流动，最终整合成一个完美的成果。

二、技巧点：释放 Agent 的全部潜能

1. 使用 Code 组件运行 Python/JavaScript 脚本

这是 RAGFlow Agent 最强大的技巧之一。单纯的文本生成和检索有时无法解决所有问题，而 Code 组件赋予了 Agent 执行代码的能力，从而可以处理数学计算、数据分析和外部API调用等任务。

• 场景示例：

  • 数据处理：当检索到一份包含销售数据的 CSV 文件时，Agent 可以自动调用一个 Python 脚本（使用 pandas 库）来读取文件、计算同比增长率、并生成一个可视化图表，然后将图表和结论一并返回给用户。
  • 调用外部服务：用户问：“北京的天气怎么样？” Agent 可以规划出一个步骤，先调用一个 JavaScript 脚本，通过调用天气 API 获取实时数据，再将数据结果填入提示词中，生成一个友好的天气回复。
• 价值：这几乎无限扩展了 Agent 的能力边界，使其从一个“知识工作者”变成了一个“工具使用者”。

2. Human-in-the-loop 流程设计（用户干预节点）

完全自主的 Agent 虽然强大，但在高风险或需要主观判断的场景下，让其完全“自动驾驶”是危险的。RAGFlow 支持在 Agent 工作流中插入人工审核节点。

• 如何运作：你可以配置在工作流的特定阶段（例如，在“撰稿人”Agent 发布最终报告之前），流程自动暂停，并将当前结果发送给指定的人工审核者。审核者可以选择“批准”、“拒绝”或“修改后批准”。

• 应用场景：

  • 内容安全：确保所有对外发布的内容都经过人工审核，符合规范。
  • 质量控制：在关键决策点（如采购建议、投资分析结论）引入专家判断，避免AI幻觉带来的风险。
  • 流程优化：人类可以发现Agent工作流中的不足，并对其进行实时调整。
• 价值：实现了人工智能与人类智慧的完美结合，既利用了AI的效率，又保留了人类的控制和判断，让整个系统更加可靠和可信。

结语

RAGFlow 的新版 Agent 架构，特别是 Multi-Agent 协同和 Code 执行能力，标志着其正从一个“问答系统”向一个“自主智能体生态”演进。通过精心设计单个 Agent 的角色，并将它们组织成高效的团队，再辅以人类智慧的监督，你将能够构建出前所未有强大的AI应用，从容应对各种复杂、多步骤的实时任务，真正释放出人工智能的巨大潜力。