AI Agent 和 RAG 智能体引擎

核心定位：深度文档理解 + Agentic RAG，主打解决复杂版式文档（扫描件、PDF 表格、财报、合同）的检索幻觉问题

一、完整技术栈

表格

部署形态：Docker Compose，提供 full 镜像（内置 embedding 模型）和 slim 轻量镜像（模型外置，减小包体积）。

二、核心技术优势

1. DeepDoc 深度文档解析（最大差异化） 普通 RAG 平台仅做纯文本抽取；RAGFlow 能识别 PDF 里的表格、图片、图表、章节标题、页眉页脚，扫描件 OCR + 版面布局还原，不会把表格拆成乱码文本。内置 11 种智能分块策略（论文、书籍、合同、表格专用切分），按文档语义边界切块，而不是简单固定长度截断，大幅降低检索断裂问题。
2. 多路混合检索，降低幻觉，答案可溯源 向量检索 + BM25 关键词检索 + 知识图谱实体检索三路召回，RRF 融合打分，再经过重排模型筛选；每一条回答都附带原文页码、文档片段引用，可点击溯源，适合强合规场景。内置 Self-RAG、检索反思机制，Agent 可自主判断是否需要再次检索，减少幻觉。
3. Agentic RAG + 可视化 DAG 工作流 区别于传统静态 RAG，支持智能体规划：复杂问题自动拆解、多轮检索、调用外部 API、SQL 查询、多跳知识图谱推理；提供低代码拖拽编排，业务人员可配置检索 Agent，不用写大量代码。
4. 模型层解耦，私有化适配友好 模型抽象层完全解耦，可全部本地化离线部署（Ollama + 本地向量库），数据不出内网；国产大模型适配完善，适合政企涉密文档场景。

三、适用场景

✅ 最适合场景（高价值场景）

1. 法律合同、协议审查：PDF 合同、招股书、招投标文件，提取条款、比对风险、条款溯源。
2. 金融投研、财报、行业研报分析：解析带大量表格的财报 PDF，自动提取财务指标、跨文档对比。
3. 科研、技术手册、图纸资料：论文、设备运维手册、技术规范、扫描版档案。
4. 制造业 / 工程知识库：设备手册、图纸配套文档、工艺规范检索。
5. 档案数字化、历史扫描文档：老旧扫描件、图片版文档的 OCR + 语义问答。

✅ 次要场景 企业内部制度知识库、产品手册问答、企业文档检索 API，可对外给业务系统提供知识库能力。

❌ 不推荐场景

• 多角色多 Agent 对话、营销文案流水线（选 CrewAI/AutoGen）
• 复杂业务流程自动化、OA 工单、跨系统连接器（选 Dify/n8n）
• 轻量小型知识库、低配服务器部署（选 FastGPT）

四、商业价值

1. 交付模式

• 私有化部署实施、文档迁移、知识库调优（分块策略、提示词、检索参数调优，这是核心收费点，RAG 效果好坏高度依赖调优）
• 定制插件开发：知识图谱扩展、文档导入适配器、对接客户业务系统 API
• 运维服务、技术支持、模型微调服务
• 白标封装，作为垂直行业产品底座（法律合同 AI、财报分析、档案智能检索 SaaS），可以打包成 SaaS 对外售卖，无协议限制

2. 业务价值

• 解决复杂版式文档的 RAG 痛点，普通知识库处理 PDF 表格、扫描件效果很差，在这个细分赛道有很强竞争力，更容易拿下法律、金融、工程、档案类项目；
• 答案可溯源，满足合规审计要求，降低 AI 幻觉带来的业务风险；
• 提供标准化 API，可嵌入客户现有 OA、ERP、业务系统，作为独立文档检索引擎；
• 私有化部署满足政企数据不出内网的安全要求。

3. 改进

• 项目交付需要懂 RAG 调优的工程师；文档入库量大时，解析、向量存储成本高；
• 它不是全栈 LLM 应用平台，缺少完善前端会话管理、细粒度权限、LLMOps，若客户同时需要客服对话、复杂业务工作流，需要额外开发或搭配 Dify/LangGraph。