Harness 与 Agent 工程 · 上下文与记忆 · 2025-12-29

RAGFlow 0.23.0 —— Memory、 RAG 和 Agent 的能力增强

RAGFlow 0.23.0带来AI长期记忆革命,让Agent具备自主进化能力,同时全面升级RAG与API功能。

核心内容:

  1. 全新Memory模块实现AI知识的持续积累与优化
  2. Agent架构重构与功能扩展,支持语音交互
  3. RAG能力升级,增强文件解析与语义表达能力

新能力亮相,赋予 AI 长期记忆,RAGFlow 0.23.0 正式发布,核心之一在于推出全新的 Memory 模块,它可以使 Agent 不仅能够实时检索与任务最相关的历史经验,更能持续、结构化地积累和优化其知识资产,构建起具备自主进化能力的智能核心。

除此之外,本版本也在多个维度进行了重要增强:

接下来,我们将逐一介绍这些特性与改进。

Memory 管理与使用

Memory 旨在保存 Agent 运行过程中动态产生的交互日志与派生数据(用户输入、LLM 输出、可能的交互状态、由LLM 生成的摘要或反思等),其目标是维持会话的连续性、实现个性化、以及从历史经验中学习。

该模块不仅能保存原始的交互数据,还能从中提取语义记忆、情景记忆和工作记忆等,将这些数据保存到 Memory 后,用户可以在后续对话中轻松引入这些信息作为上下文的一部分,从而提升对话的连贯性和推理的准确性。

Memory 管理

Memory 模块支持便捷的统一管理。用户可以在创建 Memory 时指定需要提取的记忆类型,并在导航页面 Overview >> Memory 处进行重命名、团队共享等操作。下图为创建 Memory。

进入单个 Memory 页面,可以对保存的记忆条目进行管理,选择在 Agent 调用中启用或禁用,或操作遗忘不再需要的记忆条目。

已操作遗忘的记忆条目将不再出现在 Agent 调用的结果中。在 Memory 存储容量到达上限触发遗忘策略时,已操作遗忘的记忆条目也将被优先清除。

增强 Agent 上下文

在 Agent >> Retrieval 节点和 Agent >> Message 节点下,新增了 Memory 调用功能。用户可以在 Message 节点配置存储到指定 Memory, 在 Retrieval 节点配置查询 Memory。下图展示了一个简单问答机器人 Agent 如何使用 Memory。

在配置 Memory 的 Agent 节点中,需要有配置 Retrieval 节点从 Memory 中召回。

同时把 Message 节点中 Save to memory 选择到相应的 Memory 中。

Agent 需要配置 User prompt 使得 Agent 节点获得 Retrieval 节点中的信息。

Memory如何让Agent越用越懂你

当一个概念在多个领域中同时存在时,Agent 有时会偏离用户的真实意图,给出不符合上下文的回答。

例如用户提问:“什么是 Reflexion?”,Agent 可能默认从认知科学 / 大脑心理学的角度进行解释,而非用户真正关心的 Agent / LLM 推理框架中的 Reflexion 概念。

在这种情况下,用户可以对 Agent 的理解进行澄清与纠正,明确指出这是一个 Agent 领域的术语。该澄清会被记录进 Memory,作为该用户的长期偏好与语义上下文。

此后,当用户再次询问同一概念时,Agent 会基于过往的交互经验,自动对齐用户的领域偏好,直接从 Agent 视角给出 Reflexion 的定义与说明,而无需重复澄清。

通过这个案例可以看到,Memory 让 Agent 不再是一次性应答工具,而是一个能够随着用户的使用不断校准认知、逐步成长的智能助理。

Agent 能力增强

Agent 性能优化

在之前的版本中,社区反馈 RAGFlow 的 Agent 在配置了工具后,处理复杂任务的时有较高的执行准确率以及很强的泛化能力,但在处理一些日常复杂度不高的业务时,Agent 运行速度较慢和 Tokens 消耗大。

这是因为之前的版本中,Agent 的底层已经针对较复杂的任务做了分层设计,引入基于 LLM 的 Plan 和反思。

在 0.23.0 版本,Agent 对于简单任务做了进一步优化,对比最初 0.20.0 刚刚上线的 Agent ,处理这些任务的时间压缩约 50% 。这些优化主要从架构层面着手,改造了 Agent 节点的执行流程以及针对 LLM 的调用链路。

下例是构建了一个搜索学术内容的 Agent。

0.23.0 之前版本概念性的问题 “What is Reflexion in Agent domain?” 耗时 50 秒:

0.23.0 生成类似篇幅的回答耗时答复减少至 27 秒:

开发者还可以根据自己的业务流程自行决定 Agent 的运作流程,例如下图中开发者严格指定了工具调用顺序。

日志中可以看到的确先调用了 ArXiv:

接着再调用了 Tavily Search:

整个 Agent 运行耗时还维持在 30 秒这一时间量级。

通过 Webhook 触发流程

在实际业务场景及开发需求中,普遍存在依赖外部系统通过 HTTP 请求触发操作的情况,典型应用包括用户提交表单、聊天机器人消息推送等。

RAGFlow 的 Agent 在 0.23.0 版本实现了通过 Webhook 来接收外部 HTTP 请求,从而实现自动化触发和启动工作流的能力,提升了系统的灵活性和扩展性。

如下所示,系统会自动为每个工作流生成一个唯一的 Webhook URL,用户只需使用该 URL 即可方便快捷地接入外部系统,实现自动化集成。

用户可在 Webhook 配置页面直接复制生成的 Webhook URL,用于配置第三方系统或接口调用,并选择接收HTTP请求的方式。

Security 配置

Webhook 提供多层次的安全认证和流量控制机制,确保数据传输的安全性和系统的稳定性。

支持包括令牌认证(Token)、基本认证(Basic auth)以及 JWT 认证,三种认证方式以满足不同安全等级的需求;同时支持请求频率限制(Request limit)和最大请求体大小限制(Maximum body size),并提供 IP 白名单(IP whitelist)配置功能,防止恶意访问和流量过载,确保服务稳定可靠。

Schema 配置

Schema 用来指定 Webhook 接收的 HTTP 请求的数据格式,RAGFlow 据此格式来解析请求。Schema 配置包含 HTTP 的内容类型 (Content types)和查询参数,目前支持的内容类型包括如下:

支持从传入请求的查询参数(Query parameters)、请求头参数(Header parameters)以及请求体参数(Request body parameters)中解析和提取所需数据,作为下游任务的输入变量。

Response 配置

提供两种执行模型——Accepted response 和 Final response:

Accepted resopnse 经由 Begin 节点配置:用户可在 200-399 范围内自定义成功响应状态码与响应内容正文。

Final response 配置由 Message 节点承担:用户可在 200-399范围内自定义成功响应状态码。

测试运行和查看日志

测试运行阶段,系统将使用测试专用 URL 进行触发。用户可在 Test run 页面中实时查看整个工作流的运行状态并 Overview 整体输入与输出结果;同时,Logs 模块会详细记录每一个节点的执行过程与日志信息,便于问题排查与调试。

支持全局引用对话变量

在真实的开发场景中,往往存在需要在 Agent 流程中复用中间变量的情况。例如,在对话过程中,判断用户当前的提问是否在上一轮对话中已经出现过。这就要求能够将上一轮的提问结果保存到一个变量中,并在后续流程中进行复用和比对。

在 RAGFlow 中可以通过 Conversation variable 定义一个全局变量,用于定义 Agent 的中间输出,作为可复用的变量。

比如定义名为 his_query 的全局变量接收用户的历史提问。

并通过 Variable assigner 节点为全局变量赋值。

支持 Agent 节点结构化输出

之前版本的 RAGFlow 工作流,节点输出格式是简单的文本或非结构化数据,限制了后续节点对信息的精确解析和利用。

RAGFlow 0.23.0 引入了对节点结构化输出的支持,以标准化、格式化的数据形式(如 JSON 对象)进行传递,作为后续节点可读取和处理的变量。

在 Agent 节点结构化输出配置中添加字段名、类型及描述,系统会自动生成对应的 JSON Schema。例如,添加一个 author 字段,JSON Schema 如上图所示。

运行后,输出结果会遵循该结构化格式,作为变量传递给后续节点,方便准确读取和处理,结果示例如下:

支持…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/RAGFlow/2025122942150.html