2026年11月9日，RAGFlow 1.0正式亮相，经过多个候选版本的验证，这一版本标志着系统架构的全面重构。以Go语言重写的RAGFlow在部署体积、启动速度、并发性能、查询延迟及文档解析能力等方面均显著提升。同时，新推出的Agentic Chat功能使得RAGFlow的智能问答能力从单一的“检索后回答”进化到可执行多步推理、循环检索、工具调用及证据判断的复杂问答模式。对于致力于构建知识库、智能客服、复杂文档问答及私有RAG平台的团队来说，RAGFlow 1.0的发布尤为重要。

RAGFlow 1.0的主要变化可归纳为四个方面： • 采用Go重写，显著降低了运行与部署的成本 • 并发能力提升约100倍 • Agentic Chat替代了旧的思维层级模式 • 完善了文档解析、检索、任务执行、缓存和消息队列的架构

官方推荐所有用户升级，以获得更优的性能和稳定性。

通过Go重写，RAGFlow 1.0实现了更为轻量化的运行和部署。更新后，Docker镜像体积大幅缩小至原来的十分之一，启动速度提高十倍，尤其适合需要快速扩展或资源有限的团队。以前，复杂的RAG系统往往需要较大的运行环境且启动缓慢，但现在的架构更适合云原生环境，有助于高密度容器的部署。同时，CLI也进行了重写，实现了运维流程的一致性，并新增了对arm64架构的支持，提升了在ARM服务器及相关设备上的部署灵活性。

RAGFlow 1.0的并发能力实现了约100倍的提升，优化了查询延迟、内存消耗、文档解析速度和服务稳定性。特别是在企业知识库和客服场景下，大量用户并发请求时，系统能够有效应对。这一版本针对高并发场景进行了优化，包括消息队列、缓存和任务调度等多个环节的改进。

Agentic Chat是RAGFlow 1.0的突出功能，替代了以前的思维级别模式。新模式不仅仅是简单地回答问题，而是能够进行多步推理。其流程包括理解问题、检索知识、评估证据、必要时继续检索、工具调用，以及综合各类结果形成最终答案。这种能力特别适合涉及复杂问题和多跳问答的场景。

此外，Jev决策模型的引入增强了Agentic Chat的工具调用能力。它帮助系统判断何时停止检索和回答、何时继续搜索等，有效解决了在证据不足时提前回答可能导致的错误，同时避免无效检索带来的响应延迟和成本增加。RAGFlow 1.0让多步推理与证据判定得以完美结合，适应更复杂的应用需求。