总览

过去一段时间，知识库与检索增强生成（RAG）领域延续了"基础设施托管化"与"检索过程智能化"两条主线并进的态势。一方面，Google、AWS 等云厂商持续加码全托管 RAG 服务，让开发者无需自建向量数据库和数据管道即可快速构建私有知识库；另一方面，Dify、LlamaIndex、RAGFlow 等框架纷纷将 Agentic RAG、可视化知识管道、用户级记忆等能力纳入核心，推动 RAG 从"一次检索一次生成"的简单范式，走向"多轮迭代、自主推理、可评估可回退"的工程化体系。以下是本周值得重点关注的几条动态。

一、Dify 推出 Knowledge Pipeline 与 Agentic RAG 工作流

Dify 近期对知识处理体系进行了重要升级，推出全新的 Knowledge Pipeline（知识管道）。这是一个可视化的数据管道，旨在把混乱的企业数据转化为可供大模型使用的高质量上下文。其底层是重建后的 Workflow 引擎——新版引擎采用基于队列的图执行模型，解决了复杂并行场景下的诸多限制，支持更灵活的节点连接与控制；管道可以从任意节点启动、中途暂停与恢复，并为断点调试、人在回路（human-in-the-loop）以及触发式执行打下基础。

与此同时，Dify 通过 Agent Node 工作流正式落地了 Agentic RAG。与传统"检索一次再生成"的一步式 RAG 不同，Agentic RAG 中的智能体会迭代地分析用户意图、选择工具与数据源、改写查询、评估证据，并在必要时重试或回退。这一机制显著提升了回答的可靠性与"接地性"（grounding），但相应地也带来了更高的延迟、成本与复杂度，意味着 RAG 应用正在从"能不能检索到"转向"检索得准不准、如何自证"的新阶段。

二、Google Gemini API 上线 File Search，全托管 RAG 简化私有知识库构建

Google 为 Gemini API 推出了 File Search（文件搜索）工具，作为一套完全托管的 RAG 系统，它可以将私有文件直接转化为知识库，开发者无需再自行处理数据分块、向量生成（embedding）与索引构建等步骤。通过 API 接入，即可实现端到端的文件上传、索引与高效检索生成。

这一动态的意义在于进一步降低了私有知识库的门槛：过去搭建 RAG 需要组合向量数据库、分块策略、embedding 模型与检索服务，如今云厂商把整条链路抽象成"上传文件即可检索"。对中小团队而言，这将显著缩短从数据到可问答应用的落地周期，也让 RAG 能力开始像"搜索"一样成为大模型 API 的标配能力。

三、Amazon Bedrock Managed Knowledge Base 全面推出

AWS 的 Amazon Bedrock Managed Knowledge Base 已正式全面可用。这是一项完全托管的 RAG 服务，开发者无需管理向量数据库、数据管道或检索基础设施，即可基于企业数据构建生产就绪的 AI Agent。该服务负责数据摄取、存储优化与高级检索，帮助团队更快地从原型阶段进入生产阶段，并提供包含 Amazon S3、SharePoint 在内的多种原生数据源连接器。

托管化知识库的全面普及，意味着企业级 RAG 的竞争力正在从"技术选型的复杂度"转向"业务数据治理的深度"。云厂商承担了检索基础设施的工程负担后，团队可以把更多精力投入到知识质量、权限控制与评估体系等真正决定效果的因素上。

四、LlamaIndex 与 Microsoft GraphRAG 双双迭代

开源框架侧同样动作不断。LlamaIndex 在 9 月发布了 v0.14.25 版本，带来跨多个包的重量级安全修复、核心稳定性改进、StructuredLLMRerank 的原生异步支持，并更新了 Google GenAI、OpenAI、Perplexity、Weaviate 等集成，进一步增强了其作为 RAG"乐高式"工具链的稳定性与生态广度。

微软的 GraphRAG 则发布了 3.1.0 版本，一个关键变化是移除了对 NetworkX 的依赖，改为基于 DataFrame 的实现，从而在大规模图数据上获得更好的性能与可维护性；同时 GraphRAG 与 LazyGraphRAG 已可通过 Microsoft Discovery 这一 Agent 平台被调度使用。这标志着 GraphRAG 正从"学术开源的检索范式"走向"可被企业 Agent 编排的组件"，图谱增强检索的工程化程度持续加深。

五、RAGFlow v0.25.0 强化 Agent 与记忆能力

开源 RAG 引擎 RAGFlow 发布 v0.25.0，重点方向落在 Agent 与记忆：新增七种预构建的数据摄取管道模板、支持 Agent 应用发布，并引入沙箱代码执行与图表生成能力；同时支持用户级记忆的存储与检索，让对话代理能够"记住"用户上下文。配合新增的阿拉伯语、保加利亚语、土耳其语等界面语言，RAGFlow 在易用性与多语言覆盖上继续扩展。Agent、Memory 与 摄取 Pipeline 的三位一体，折射出"RAG 引擎"正在向"带知识检索的 Agent 平台"演进的清晰趋势。

趋势总结与展望

综合来看，当前知识库与 RAG 领域呈现三大趋势：

• 基础设施托管化：向量数据库与检索管道正在被云厂商抽象为开箱即用的能力，RAG 的工程门槛持续下移；
• 检索过程智能化：Agentic RAG、查询改写、证据评估、多轮回退让「检索」从被动匹配走向主动推理，GraphRAG 则补足了关系推理与全局提问的能力；
• 评估与可靠性前置：可靠性、抗幻觉、成本与延迟的可控性，正成为生产落地阶段的核心竞争点。

展望未来，随着全托管服务、Agent 编排与图增强检索的持续融合，知识库将从"被动的内容仓库"进化为"可自主推理、可追溯证据的企业智能中枢"，而谁能把数据治理与效果评估做到极致，谁就将在下一阶段的竞争中占据先机。

数据来源

• Dify Blog：Introducing Knowledge Pipeline 与 Agentic RAG（dify.ai/blog）
• Google Gemini API File Search 工具动态（aibase.com 检索）
• AWS：Amazon Bedrock Managed Knowledge Base 全面推出（aws.amazon.com/cn）
• LlamaIndex Release Notes v0.14.25（developers.llamaindex.ai / releasebot.io）
• Microsoft GraphRAG 3.1.0（github.com/microsoft/graphrag）
• RAGFlow v0.25.0 Release Notes（ragflow.io/docs/release_notes）

说明：以上动态均来自公开渠道，时间截至 2026 年 10 月 4 日。部分产品（如 RAGFlow、GraphRAG）的版本发布时间略早于本周，为便于读者了解完整脉络一并收录。