RAGFlow0.25版本更新与记忆工作流简介

发表于 2026/04/29

作者 handsomestwei

14 分钟阅读

本文归纳 RAGFlow 自 v0.20.0 起至 v0.25.0 区间在官方发布说明中的主要功能与重大变更，并单独说明 Memory（记忆） 模块的定位、配置要点与可落地的 Agent 工作流（含文字箭头流程图）。具体子版本与修复项繁多，以官方 Release notes 与各版本 GitHub Release为准；升级前务必阅读对应版本的 Breaking changes / 数据库迁移 说明。

一、信息来源与版本跨度

官方 Release notes：[Releases RAGFlow](https://www.ragflow.io/docs/release_notes)
GitHub 标签页：infiniflow/ragflow Releases
Memory 使用说明：[Use memory RAGFlow](https://www.ragflow.io/docs/use_memory)

本文讨论的「0.20.0 到 0.25.0 之间」包含 0.20.x 补丁线 与 0.21.0～0.25.0 的主线功能；0.20.0 本身是一次 Agent 体系大改版的起点，后文会单独强调。

二、按版本的功能速览（0.20.x～0.25.0）

版本	发布时间（以官方为准）	功能与变更摘要
v0.20.0	2025-08-04	兼容性：旧版 Agent 不再兼容，升级后需重建。新能力：Agent 与 Workflow 统一编排、Agent 大重构（多 Agent、规划与反思、可视化）、MCP 全链路、运行时日志、聊天历史管理、新版 Infinity 与自动打标签等。
v0.20.1～0.20.5	2025-08～09	多为 Agent/检索/模板/模型增补与修复；如 Retrieve chunks 增加 `metadata_condition`、动态指定数据集、框架级 System prompt 块、GraphRAG 超时等（详见各版 release）。
v0.21.0	2025-10-15	可编排入库流水线（Ingestion pipeline）、GraphRAG/RAPTOR 改为手动批量构建、长上下文 RAG（文档级 TOC 模板）、视频解析、Admin CLI、新模板与 Infinity v0.6.0 等。
v0.21.1	2025-10-23	MinerU 解析 PDF（实验性）、Infinity v0.6.1、数据集与个人中心 UI 等。
v0.22.0	2025-11-12	Breaking：仅提供 slim 无嵌入镜像、不再用 `-slim` 后缀区分。新能力：多在线数据源同步（S3、Google Drive、Notion、Confluence、Discord）、RAPTOR 可按整库或单文档构建、Agent 结构化输出、Retrieval 元数据过滤、Variable aggregator 等。
v0.22.1	2025-11-19	Flask 异步化、List operations / Variable aggregator、S3 兼容源、JIRA 同步、导出 Word/Markdown 等；修复 -full 版解析/换嵌入等问题。
v0.23.0	2025-12-27	Memory 管理界面上线；Retrieval / Message 可配置 Memory 上下文；Agent 架构优化、Webhook、语音、单 Agent 多 Retrieval；入库流水线 Transformer 支持 TOC；父子分块、解析时自动生成元数据；GraphRAG 加速；Infinity v0.6.15；大量数据源与模型扩展。
v0.23.1	2025-12-31	Memory 全类型抽取稳定性；空 Memory 导致无法启动、无法删除等修复；MDX、GitHub/GitLab/Asana/IMAP 等数据源相关项。
v0.24.0	2026-02-10	Memory 管理 API（HTTP + Python）、抽取日志输出控制台；批量元数据、PageIndex（原 ToC 命名调整）；类 Chat 的 Agent 会话管理；多 Sandbox（本地 gVisor / 阿里云等）；Chat Thinking 模式、深度检索优化；OceanBase 作 MySQL 替代；新模型与数据源等。
v0.25.0	2026-04-21（GitHub）	入库流水线：7 套内置模板、解析增强；数据源：Seafile、RSS、钉钉 AI 表格等及删除同步；Agent 发布、沙箱内代码执行与图表、数据分析 Agent 模板；用户级 Memory 存储与检索（发布说明表述）；移动端嵌入页；默认 MinIO 镜像调整；数据库升级脚本；DocEngine 支持 Elasticsearch 9.x；新模型与厂商；与 OpenClaw 等生态说明等。

三、重大更新归纳

下列条目在产品形态、部署或研发集成上影响面较大，可视为「重大」或需重点阅读发行说明的更新（非严格排名）。

v0.20.0：Agent/Workflow 统一与 MCP
- 与旧版 Agent 不兼容、必须重建；统一编排 + MCP 全链路，相当于平台代际切换。
v0.21.0：可编排入库 + GraphRAG/RAPTOR 构建方式 + 长文 TOC
- 数据进入知识库的方式产品化；长文档 RAG 通过 TOC/PageIndex 思路缓解切块带来的上下文丢失。
v0.22.0：Docker 发行策略 Breaking + 在线数据源 + RAPTOR 粒度
- 部署镜像策略变化影响所有依赖 full 镜像习惯的用户；云同步与 RAPTOR 按库/按文档 扩展了运维与知识工程选项。
v0.23.0：Memory 首版 + Agent 能力面（Webhook、语音、多 Retrieval）+ 入库流水线与分块
- 记忆与 Agent 编排 进入可配置闭环；与后续 API 形成前后衔接。
v0.24.0：Memory API + 多 Sandbox + Agent 会话体验
- 程序化管理记忆、隔离执行环境、会话与「思考」模式等，偏向企业落地与可观测性。
v0.25.0：Agent 发布、流水线模板强化、用户级 Memory、DB 升级与生态
- 对外发布 Agent、数据分析模板、用户级记忆与 DB 迁移脚本 等，对生产发布与升级路径要求高。

说明：v0.25.0 在 GitHub Release 正文中另有 Memory API 网关/服务分层、安全相关修复 等大量 PR，运维与安全团队宜对照 完整 changelog 评估。

四、Memory 模块：做什么、怎么配

根据官方 Use memory：

定位：在 Agent 运行过程中持久化对话与衍生信息（摘要、笔记等），并把内容整理为不同类型，使后续对话能召回用户事实、经历与任务上下文，减少重复与跑题。
类型（创建时可勾选抽取维度）：
- Raw：原始对话（默认必需）。
- Semantic Memory：与用户/世界相关的事实与常识性条目。
- Episodic Memory：带时间色彩的事件与经历记录。
- Procedural Memory：技能、习惯、流程化经验。

创建与配置路径：Overview → Memory 中新建；在某一 Memory 的 Configuration 中设置：

配置项	含义
Name	唯一名称。
Embedding model	将记忆条目向量化所用嵌入模型。
LLM	从原始对话中抽取与整理记忆所用对话模型。
Memory type	勾选要抽取的类型（见上）。
Memory size	默认约 5MB（官方给出与 embedding 维度的占用估算）。
Permission	仅本人或团队共享。

在 Agent 中启用（与检索闭环）：

Retrieval 组件：配置为从指定 Memory 读取（与知识库检索并列，用于把历史记忆拉回上下文）。
Message 组件：配置 Save to Memory，把本轮需沉淀的内容写入同一或指定 Memory。

官方强调：凡使用 Memory 的 Agent，通常需要配套 Retrieval 才能把记忆读回对话。

五、记忆功能工作流示例与流程图

以下三个示例均基于官方描述的 「Retrieval 读 Memory + Message 写 Memory」 模式；画布上具体节点名称以你当前 RAGFlow UI 为准。

5.1 示例一：客服机器人「越聊越懂你」

业务目标：用户多次咨询退换货政策；系统记住已核实过的订单号、偏好渠道，避免用户重复输入。

用户发消息
    → Message 节点（对话模型回复）
    → 分支：若本轮包含可沉淀事实（订单号、结论）
            → Message「Save to Memory」写入 Memory-A
    → 下一轮用户再问
            → Retrieval（知识库 + Memory-A）并行或串行召回
            → Message 生成回答（带记忆上下文）

文字要点：首次对话写入 Episodic / Semantic；后续 Retrieval 同时命中 FAQ 知识库 与 Memory-A 中的订单事实。

5.2 示例二：内部知识助手 + 会议结论沉淀

业务目标：检索公司制度（数据集）同时，把每次会议结论写入团队共享 Memory。

开始（用户提问）
    → Retrieval-1：数据集「制度库」
    → Retrieval-2：Memory「团队纪要」（Permission=Team）
    → 合并上下文 → LLM 回答
    → 若用户指令「记录本次会议结论」
            → Message → Save to Memory「团队纪要」

流程图（箭头）：

[用户输入]
    ↓
[Retrieval: 制度数据集]
    ↓
[Retrieval: 团队 Memory] ──→ [合并上下文]
    ↓                              ↓
[LLM 生成答复] ←───────────────────┘
    ↓
[用户确认「写入纪要」]
    ↓
[Message: Save to Memory]
    ↓
[Memory 条目更新，供下次 Retrieval]

5.3 示例三：仅「读记忆」的只读助手（不写回）

业务目标：上线前只想用已有 Memory 做个性化，不允许自动写入。

[用户输入]
    ↓
[Retrieval: Memory-B（只读）]
    ↓
[Retrieval: 业务知识库]
    ↓
[LLM]
    ↓
[结束]   （不在 Message 上配置 Save to Memory）

适用于记忆由管理员人工整理导入或仅消费历史会话导出的场景。

5.4 运维与治理（与版本相关）

v0.23.1 起修复了「空 Memory 导致服务起不来」「空 Memory 删不掉」等问题；生产环境应避免创建无配置的空 Memory，并定期在 Memory 管理页清理/遗忘条目（官方说明：手动遗忘的条目不再参与 Agent 召回）。
v0.24.0 起可通过 HTTP/Python API 做记忆管理自动化（具体路径见 HTTP API reference 与 Python 文档）。
v0.25.0 发布说明提到 用户级 Memory 与 Memory API 分层重构；集成方需关注接口路径或网关行为是否与旧版一致，以当前文档为准。

六、升级与排障提示

跨 0.20.0：旧 Agent 必须重建；若有历史工作流，需按官方迁移说明重做。
跨 0.22.0：Docker 仅 slim、无嵌入镜像策略变化；依赖 -full 内置嵌入 的环境需改部署方式。
跨 0.25.0：关注 数据库升级脚本、默认 MinIO 镜像变更、Elasticsearch 9.x 等与运维相关的条目。
Memory：升级后若遇 抽取失败或 API 404，先查 Release notes 中 Memory 相关修复版本，并对照 Use memory 与 Share memory 文档检查 权限与 Retrieval/Message 绑定。

七、参考链接

RAGFlow Release notes（官方）
RAGFlow Changelog
infiniflow/ragflow Releases（GitHub）
[Use memory RAGFlow](https://www.ragflow.io/docs/use_memory)
Retrieval 组件说明
Message 组件（Agent 组件参考）
HTTP API Reference
v0.25.0 Release（GitHub）
[Share memory RAGFlow](https://www.ragflow.io/docs/share_memory)

文档与界面随版本迭代，若链接锚点变更，请从 RAGFlow 文档首页重新导航。

AI, RAG

本文由作者按照 CC BY 4.0 进行授权

RAGFlow0.25版本更新与记忆工作流简介

RAGFlow0.25版本更新与记忆工作流简介

目录

一、信息来源与版本跨度

二、按版本的功能速览（0.20.x～0.25.0）

三、重大更新归纳

四、Memory 模块：做什么、怎么配

五、记忆功能工作流示例与流程图

5.1 示例一：客服机器人「越聊越懂你」

5.2 示例二：内部知识助手 + 会议结论沉淀

5.3 示例三：仅「读记忆」的只读助手（不写回）

5.4 运维与治理（与版本相关）

六、升级与排障提示

七、参考链接

热门标签