本期聚焦 2025 年 10 月知识库与检索增强生成（RAG）领域的核心进展，涵盖主流框架版本里程碑、向量数据库能力升级、Agentic RAG 与 GraphRAG 的前沿探索，以及多模态 RAG 的新范式。

总览

2025 年第三季度末至第四季度初，RAG 生态迎来了多个标志性事件：LangChain 与 LangGraph 双双发布 1.0 正式版，标志着 Agent 编排框架从"可用"走向"生产就绪"；RAGFlow 推出年内最后一个大版本 0.23.0，将自身定位从"RAG 引擎"升级为支持 AI Agent 构建的"上下文引擎"；OceanBase 开源了 AI 原生混合搜索数据库 seekdb，进一步降低多模态 RAG 的工程门槛。与此同时，Weaviate 在检索原语、量化编码和动态扩展方面持续打磨，GraphRAG 与多模态 RAG 在学术与工业界均涌现出新的工作流与框架。整体来看，RAG 技术正沿着"框架成熟化、检索精细化、架构 Agent 化、模态融合化"四条主线加速演进。

一、LangChain 与 LangGraph 发布 1.0 正式版

发布方：LangChain 团队
发布时间：2025 年 10 月 22 日

经过多年迭代与社区反馈，LangChain 1.0 与 LangGraph 1.0 正式 GA。这是两个框架的首个大版本，也是 RAG/Agent 生态走向成熟的重要信号。

核心亮点

• LangChain 1.0：将 langchain 包聚焦到核心 Agent 循环，引入全新的中间件（middleware）概念以提升灵活性，并升级了模型集成层以适配最新的模型能力。
• LangGraph 1.0：作为状态化、多 Actor 的 Agent 编排框架，1.0 版本强化了持久化、人类介入（human-in-the-loop）和子图等生产级特性，为复杂 Agent 工作流提供稳定底座。
• 两者共同构成"LangChain 做循环、LangGraph 做编排"的组合，覆盖从简单 RAG 链到多 Agent 协作的全谱系场景。

影响与意义

1.0 版本意味着 API 稳定性承诺，企业用户可以更放心地将 LangChain/LangGraph 纳入生产系统。中间件机制也为开发者在不侵入框架内核的前提下扩展行为（如日志、监控、权限）提供了统一切入点。

二、RAGFlow 0.23.0：从 RAG 引擎到上下文引擎

发布方：RAGFlow 团队
发布时间：2025 年 10 月（2025 年度最后一个大版本）

RAGFlow 0.23.0 被定位为"承前启后"的里程碑版本，标志着 RAGFlow 从专注知识库场景的 RAG 引擎，演进为支持各类 AI Agent 构建的上下文引擎（Contextual Engine）。

核心亮点

• 全新 Memory 模块：用于存储与管理多轮对话、工具调用结果及推理中间态，为 Agent 提供持久化记忆能力。
• 核心 RAG 能力持续强化：在文档解析、分块、检索与重排等环节继续优化，召回质量与检索效率同步提升。
• 面向 Agent 的上下文供给：将知识库、记忆、工具调用结果统一编排为 Agent 可消费的上下文，降低构建具备"长期记忆 + 知识检索"能力的 Agent 的难度。

影响与意义

这一版本反映了行业共识：RAG 不再是孤立的"检索 + 生成"管道，而是 Agent 系统中的上下文供给中枢。Memory 模块的加入，使 RAGFlow 能同时支撑"短期对话记忆"与"长期企业知识"两类上下文，为构建真正具备记忆的企业级 Agent 铺路。

三、OceanBase 开源 seekdb：AI 原生混合搜索数据库

发布方：OceanBase
许可协议：Apache 2.0

OceanBase 发布了开源 AI 原生搜索数据库 seekdb，统一管理关系型数据、向量数据、文本、JSON 和 GIS 数据，并对外提供混合搜索与库内 AI 工作流能力。

核心亮点

• 多模态统一存储：在同一引擎中承载结构化、半结构化与非结构化（向量、文本）数据，避免多系统拼接的复杂度。
• 混合搜索：支持向量检索、全文检索、结构化过滤的联合查询，满足多模态 RAG 与 AI Agent 的复杂检索需求。
• 库内 AI 工作流：将部分 AI 推理与处理下沉到数据库层，减少数据搬运，提升端到端效率。

影响与意义

seekdb 的出现延续了"数据库 + AI"融合的大趋势。对企业而言，统一的数据底座意味着更低的运维成本和更强的数据一致性；对 RAG 应用开发者而言，混合搜索能力让"语义 + 关键词 + 结构化条件"的组合检索变得开箱即用。

四、Weaviate 2025：为 Agentic 系统夯实检索地基

发布方：Weaviate
时间线：2025 全年持续迭代

Weaviate 在 2025 年围绕"为 Agentic 系统提供可靠底座"持续打磨，多项关键能力达到 GA。

核心亮点

• 更强的检索原语：BlockMax WAND 达到 GA，BM25 性能改进，支持多目标向量（multiple-target vectors）与多向量搜索（multi-vector search），并引入 MUVERA 编码。
• 更高的存储效率：默认启用旋转量化（Rotational Quantization, RQ），在保持召回率的同时显著降低存储与内存开销。
• 动态扩展与生命周期管理：副本迁移（replica movement）与异步复制达到 GA，支持集合别名与 TTL，便于在真实负载下动态扩缩容与数据生命周期管理。

影响与意义

Weaviate 的演进体现了向量数据库从"能存向量"到"能支撑生产级 Agent 工作负载"的跃迁。多向量搜索与 MUVERA 编码对多模态 RAG 尤为关键——它们让图片、表格、文本等不同模态的内容可以在统一索引中被高效检索。

五、GraphRAG 与多模态 RAG 的前沿探索

近期学术界与工业界在 GraphRAG 和多模态 RAG 方向涌现出多项代表性工作，推动 RAG 从"平铺检索"走向"结构化推理"和"跨模态理解"。

GraphSearch：面向 GraphRAG 的 Agentic 深度搜索工作流

针对现有 GraphRAG "检索过浅、结构利用不充分"两大痛点，GraphSearch 提出了带双通道检索的 Agentic 深度搜索工作流，将检索过程组织为六个模块的框架，支持多轮交互与迭代推理，能够从预构建的结构图谱中更充分地挖掘关键证据。

RAG-Anything：统一的多模态图检索框架

RAG-Anything 提出了一种范式转变：不再将多模态内容强制塞进以文本为中心的管道，而是用双图构建策略（跨模态知识图谱 + 文本知识图谱）将多模态内容重新概念化为相互连接的知识实体。混合检索机制结合结构导航与语义匹配，可对复杂文档布局进行精确推理。

G²-Reader：面向多模态文档问答的双演化图系统

针对多模态 RAG 中"证据表征碎片化"和"长上下文检索不稳定"的问题，G²-Reader 引入内容图（Content Graph）保留文档语义结构，规划图（Planning Graph）维护推理状态并引导逐步导航，在多领域基准上取得稳定提升。

影响与意义

这些工作表明，RAG 的下一阶段竞争焦点正在从"召回更多相关片段"转向"基于结构的推理与跨模态证据组装"。GraphRAG 通过显式建模实体关系，让系统能回答需要多跳推理的问题；多模态 RAG 则让图片、表格、图表等非文本信息真正参与到生成过程中。

六、检索与推理效率优化：SPI 与 TurboRAG

在系统层面，近期也出现了两项值得关注的效率优化工作。

SPI：面向流式 RAG 的查询深度自适应索引

SPI（Semantic Pyramid Indexing）是一种向量数据库层索引框架，将嵌入组织为 L 个语义对齐的分辨率层级，并通过轻量级不确定性感知控制器按查询选择检索深度。它支持从粗到细的渐进式 ANN 搜索、层级化流式插入（无需全局重建），以及基于 LSH 分区的分布式执行。

TurboRAG：用预计算 KV Cache 加速 RAG 推理

TurboRAG 重新设计了 RAG 的推理范式：离线预计算并存储文档的 Key-Value 缓存，在线推理时直接检索已保存的 KV Cache 进行预填充，从而消除在线 KV Cache 计算开销，显著降低首 Token 延迟（TTFT）。

影响与意义

SPI 与 TurboRAG 分别从"检索索引"和"推理计算"两个维度优化 RAG 的延迟与成本。SPI 让流式数据场景下的索引更新不再是痛点，TurboRAG 则为高并发、低延迟要求的 RAG 服务提供了新的优化路径。

趋势总结与展望

综合本期动态，知识库与 RAG 领域呈现出以下清晰趋势：

1. 框架走向成熟与分化：LangChain/LangGraph 1.0、RAGFlow 0.23.0 等版本表明，RAG/Agent 框架已进入"生产就绪"阶段，且各家定位日益清晰——有的聚焦 Agent 编排，有的聚焦上下文供给。
2. 向量数据库向"AI 原生"演进：seekdb、Weaviate 等产品正从单一向量存储走向融合关系、全文、向量与 GIS 的 AI 原生数据底座，混合搜索与库内 AI 成为标配。
3. RAG 架构 Agent 化：从 GraphSearch 到 RAGFlow 的 Memory 模块，RAG 正与 Agent 深度融合，检索不再是一次性动作，而是多轮、可推理、可规划的过程。
4. 多模态成为必选项：RAG-Anything、G²-Reader 等工作证明，仅靠文本分块已无法满足复杂文档理解需求，跨模态的结构化表征与检索是下一阶段的关键战场。
5. 效率优化贯穿全链路：从索引（SPI）到推理（TurboRAG），RAG 的每一环都在被重新审视，目标是在保证质量的同时降低延迟与成本。

展望未来，RAG 将不再是一个独立的技术模块，而是 AI Agent 系统中与记忆、规划、工具调用并列的核心能力。谁能在"结构化知识 + 多模态理解 + 高效推理 + Agent 编排"上形成闭环，谁就能在下一轮竞争中占据先机。

数据来源

• LangChain 官方博客：《LangChain and LangGraph Agent Frameworks Reach v1.0 Milestones》，2025-10-22
• RAGFlow 官方博客：《RAGFlow 0.23.0 — Advancing Memory, RAG, and Agent Performance》
• MarkTechPost：《OceanBase Releases seekdb: An Open Source AI Native Hybrid Search Database for Multi-model RAG and AI Agents》
• Weaviate 官方博客：《Weaviate in 2025: Reliable Foundations for Agentic Systems》
• arXiv：SPI (2511.16681)、RAG-Anything (2510.12323)、GraphSearch (2509.22009)、G²-Reader (2601.22055)、TurboRAG
• 火山引擎开发者社区：《5 倍性能优于开源版，火山 Milvus 集成 DiskANN+RaBitQ》