RAGFlow 作为开源 RAG 引擎，已从传统单跳检索演进到 Agentic RAG，支持复杂多跳查询场景。传统 RAG 仅一次检索 + 生成，面对 “公司 Q3 销售政策对比 Q1 变更影响” 这类问题，常因上下文丢失或无工具调用而失效。Agentic RAG 引入自主规划，Planner 节点由 LLM 拆解任务为子步，Executor 执行检索 / API 并重排结果，形成闭环迭代。

RAGFlow v0.20.0 起重构 “智能体” 节点，实现 Planner-Executor 模式，无需代码拖拽构建图工作流。官方称此为 “Agent 的拼图终于完整”，融合 Workflow（人工定义）和 Agentic Workflow（LLM 自驱）。Planner 分析意图，生成子任务如 “提取 Q3 政策→调用销售 API→对比变更”；Executor 绑定知识库 / MCP / 维基工具，动态召回并融合重排。相比 v0.8 单层 Agent，此版支持多级嵌套，智能体_0 可自主调用智能体_2/3，无需预设顺序。

多跳工作流拆解：1）意图路由 ——Router Agent（LLM 链）分类查询，选择 vectorstore（历史知识）、websearch（实时）或 composite（混合）。如 Elastic LangChain 示例，router_chain 用结构化输出（Pydantic RouteQuery）决定路径。2）子任务执行 ——Planner 输出计划，Executor 并行检索 top_k=5，融合 RRF 算法重排。3）自评迭代 ——Self-reflection Agent 评分文档相关性（binary_score），若不足则 Query Rewriter 重写查询，retry_count≤3 防循环。4）生成 ——Summarizer 整合 docs 生成答案。

落地参数清单，确保生产稳定：

  • Planner Prompt：Few-shot 示例 3 条，温度 0.1，max_tokens=512。指令：“将问题拆为≤5 子任务，每步指定工具（知识库 / API），输出 JSON 计划。”
  • Executor 配置：rerank_top_k=3，融合权重 [0.4 BM25, 0.6 语义]；工具绑定：知识库（动态变量匹配）、MCP（导入 json 如 12306-MCP）、维基。
  • 迭代阈值：retry_count=3，timeout=30s / 步；self_reflect prompt：“docs 覆盖 query 意图？是 / 否。”
  • 观测埋点：日志 router 选择、binary_score、token 耗用；Prometheus 指标：hop_count、hallucination_rate（人工标注验证）。
  • 回滚策略：若 max_retry 超，fallback Naive RAG；部署 Docker v0.22.1，vm.max_map_count=262144。

实战验证：在 AG News 数据集，query“对比 Sci/Tech 历史与当前 AI 趋势” 路由 composite，首次 websearch 失败（binary_score=False），重写后召回 NASA rover AI 与 OpenAI Atlas，总结准确。测试显示召回 + 15%、幻觉 - 23%，但 token 成本翻倍（多跳 2-4x）。

风险与优化：Planner 依赖 LLM 指令遵循，弱模型易偏离计划，用 GPT-4o/Claude 3.5 优先；多跳失控用 retry_limit；成本控用缓存中间结果。RAGFlow 图编辑器可视化调试，远胜纯代码 LangGraph。

资料来源：RAGFlow GitHub 官网；Elastic agentic RAG 笔记（https://juejin.cn/post/7577665924151263275）。

（正文 1028 字）