近期，由英飞流 InfiniFlow 打造的端到端 RAG 引擎 RAGFlow 迎来重要更新：连续发布 v0.23.0 和 v0.23.1 两个重要版本，实现了记忆与 Agent 能力跃升、数据摄入与解析增强、模型与多模态升级等多项里程碑式突破。自开源以来，RAGFlow 首日即获上千 Star，目前 GitHub Star 数已突破 6 万，展现出强大的社区影响力。
此前，CSDN &《新程序员》执行总编唐小引与 RAGFlow 创始人张颖峰进行了一场深度对话。从搜索引擎、数据库基建到 RAG 技术的持续深耕，张颖峰坚定回应了" RAG 已死"的论调，以工程化实践印证了" RAG 永不过时"的技术信念。以下为对话精彩亮点，让我们通过《Open AGI Forum》栏目，一同走进这位" RAG 坚定守护者"的技术探索之路。
🎬对话精彩亮点：
- 核心信念：RAG 永不过时，长上下文 LLM 无法替代的四大核心价值
"把长上下文 LLM 和 RAG 对立起来，本身就是认知误区。" 面对" RAG 已死"的争议，张颖峰给出明确回应，强调 RAG 的不可替代性源于四大核心价值：一是成本优势，长上下文处理的计算开销比 RAG 高出1-2个数量级，企业规模化应用难以承受；二是权限可控，企业多版本文档、涉密数据需精准权限管理，RAG 可实现细粒度访问控制；三是精准抗干扰，长上下文易出现"中间迷失"，RAG 通过检索前置筛选核心信息，避免噪声干扰；四是动态适配，能快速对接企业实时更新的业务数据，而非依赖静态的模型训练数据。他用形象类比阐释："LLM 是计算机的 CPU，上下文是内存，而 RAG 对应的数据库就是硬盘------没有硬盘，再强的 CPU 也无法长期存储和高效调用海量数据。"
- 技术突破：从 RAG 1.0到2.0，以搜索内核解决"易用难精"痛点
" RAG 1.0 的问题在于重编排轻效果，靠 LLMOps 工具简单串接组件，无法应对企业级复杂场景。"张颖峰直指传统 RAG 的核心短板，而他打造的 RAG 2.0以"搜索为中心"实现端到端重构：一是智能文档理解，自主研发解析系统，能精准识别 PDF、表格、图表、扫描件等复杂格式，提取隐藏信息，避免"垃圾进垃圾出"；二是多路召回融合，原生支持向量搜索、关键词全文搜索、稀疏向量搜索三路混合检索，攻克单一向量检索精度不足的难题；三是任务流优化，解耦"搜索"与"检索"环节，分别采用不同文本粒度，兼顾召回精准度与上下文完整性。这套架构让 RAGFlow 实现"大海捞针"式精准检索，即便面对无限 token 场景也能快速响应。
- 落地实践：覆盖多行业刚需，让 AI"有据可查"
"企业用 RAG 的核心诉求，是让大模型回答'可信、可追溯'。" 张颖峰分享了 RAGFlow 的多场景落地成果：法律行业中，自动解析卷宗生成证据清单，跨库检索高相似度判例；金融风控场景下，快速提取合同条款、流水数据，生成风险分析报告；制造业里，构建设备知识库，支持语音或图片输入故障问题，返回 AR 拆装指引与 SOP 流程；电信运维中，结合知识图谱实现基站故障根因智能分析。这些场景的共性在于，RAGFlow 通过"检索+引用"机制彻底解决大模型"幻觉"问题，用户可一键定位答案原文，对比解析差异。
- 开源践行：以开放生态推动 RAG 行业进步
"开源不是单纯分享代码，而是让技术在真实场景中接受检验、快速迭代。"张颖峰将 RAGFlow 及 AI 原生数据库 Infinity 双双开源，初衷是收集多行业反馈，推动 RAG 走出初期阶段。他坦言开源后的核心挑战是满足不同用户的个性化需求，"有人反馈文档解析不兼容特定格式，有人需要更灵活的权限配置，这些反馈都成为我们迭代的核心动力"。如今，开源社区的贡献让 RAGFlow 不断完善，已能支撑从个人知识库到超大型企业生态系统的全场景需求，成为连接学术研究与工业落地的桥梁。
- 未来方向：RAG 与 LLM 协同，成为 Agent 时代的基础设施
"Agent 的自主决策能力，离不开 RAG 提供的精准知识支撑。"张颖峰预判，随着 AI Agents 兴起，RAG 将成为核心基础设施：一是多模态融合，对接 Sora等视频生成技术，拓展图片、视频类知识的检索能力；二是与长上下文 LLM 协同，用 RAG 检索核心信息，再通过长上下文窗口容纳完整语义块，实现"检索前置+上下文优化"；三是深化行业定制，针对法律、医疗、制造等垂直领域，优化专业术语解析与领域知识图谱构建。他强调："RAG 的未来不是替代谁，而是成为 AI 应用的'知识底座'，让大模型在各个行业真正落地生根。"
- 创业初心：十年技术沉淀，让企业 AI "用得起、用得好"
"我做过7年搜索引擎、5年数据库内核，深知企业对高效信息检索的刚需。" 张颖峰的创业轨迹源于长期技术积累，他见证了从传统搜索到 AI 时代的变迁，也发现企业在使用大模型时的普遍困境：要么成本过高，要么答案不可信。因此，他聚焦"降低 AI 使用门槛"，让 RAGFlow 既支持私有化部署满足数据安全需求，又能通过开源版本降低中小企业尝试成本，"希望无论是大型企业还是创业公司，都能用上稳定、高效的 RAG 技术"。
从搜索引擎研发到数据库基建，从连续创业到开源布道，张颖峰用实践印证了"RAG 永不过时"的判断，更以开源初心凝聚了强大的社区力量。在大模型技术快速迭代、概念层出不穷的今天，RAG 的价值不仅在于弥补模型知识缺陷，更在于构建了"可信、可控、可扩展"的 AI 应用体系。未来，随着开源社区的持续壮大，随着 RAG 技术与 Agent、多模态等方向的深度融合，RAG 必将继续作为 AI 基建的核心，赋能更多企业实现 AI 的有效落地。而这份"开源为公、技术向善"的初心，也将持续推动 RAG 生态不断向前，让更多人受益于技术进步的红利。
哔哩哔哩链接地址：
https://www.bilibili.com/video/BV1mgzGBrEwq/
CSDN链接地址：
https://live.csdn.net/v/510959
YouTube链接地址：
