8月19日，RAGFlow发布了v0.27.0。知乎
如果只看更新日志，这只是一次常规迭代；但官方公告里有一句话值得单独拎出来：这是最后一个以Python为后端基础语言的大版本，从下个版本起将正式迁移至Go语言，Go版本的发布将标志RAGFlow进入1.0时代。知乎
对项目方来说，这是技术栈升级。但对正在琢磨"要不要在自己服务器或NAS上搭个AI知识库"的人来说，这句话直接影响决策：你现在选的框架、部署的版本，可能决定你半年后要不要重来一次。
借着这个节点，我把最近社区里反复被问的选型问题整理了一遍——RAGFlow、Dify、FastGPT、MaxKB、AnythingLLM这5个常被放在一起比较的开源工具，各自适合什么人、硬件门槛多少、现在是不是入手时机，一次说清。
先看0.27到底更新了什么
抛开宣传话术，v0.27.0有三个实质性变化，都直接关系到"知识库好不好用"这件事。
第一是"知识编译"引擎。传统RAG对文档的处理停留在"解析、切块、向量化"，而0.27引入了知识编译的概念（这个词源自Karpathy提出的LLM Wiki理念），可以把文档进一步编译成六种"知识资产"：Wiki知识页面、Graph知识图谱、Tree层级目录、Page Index章节索引、Mind Map思维导图、Timeline时间线，还能把知识打包成Skills供Agent复用。知乎说人话就是：以前你把一份200页的手册丢进知识库，它只是一堆检索片段；现在系统会先帮你把这份手册整理出目录结构、实体关系图、事件时间线，人能直接浏览，AI检索时也有更结构化的上下文可用。编译过程通过Agent模块里的Ingestion Pipeline完成，解析、切分、编译、索引四步可配置。
第二是Agentic Retrieval。传统RAG的检索是"问一次、查一遍、拿结果生成"，遇到"对比两个版本的差异"这类需要拆成多个子问题的提问就容易漏召回。0.27让检索变成了多轮自主决策：先分析问题、制定检索策略、执行、判断结果够不够、不够就改写Query再查，最后整合。官方把这个能力包装成五档Thinking模式（简单、轻度、中、高、极高），让用户自己控制检索的深度和开销。知乎
第三是模型提供商管理重做。底层改成Provider→Instance→Model三层结构，同一个提供商可以配多个实例——比如一个OpenAI实例专门跑Chat、另一个只跑Embedding，各用各的API Key和Base URL；模型列表支持从提供商自动拉取、批量验证可用性。对同时混用本地模型和云端API的人来说，配置成本确实降了。知乎此外还新增了AIMLAPI、GreenPT等提供商，补齐了Hugging Face模型列表。
5个框架，其实是三条路线
先说结论：这几个工具经常被拿来横向比"谁更强"，但它们其实不在同一条赛道上，定位差异比功能差异大得多。
RAGFlow走的是"深度文档解析"路线。它的核心优势在解析层：视觉模型加OCR处理扫描版PDF、复杂表格、图文混排，内置十几种分块策略（按标题层级、书籍章节、论文结构、Excel一行一问一答），检索是多路召回加重排，答案可以追溯到原文高亮位置。GitHub上目前约8.9万star，是这几个里解析能力公认最能打的。GitHub代价是重：官方最低要求4核CPU、16GB内存、50GB存储，Docker Compose部署。知乎深度解析引擎镜像就有近10GB。有用户在威联通16GB内存的NAS上实测跑通，但明确提醒它"不是即装即用的轻量工具"。
Dify和FastGPT走的是"工作流编排"路线。知识库只是它们的一个模块，重点是把知识库接进业务流程。Dify的可视化调试体验好，适合研发团队快速验证想法、搭原型；FastGPT更偏生产落地，知识库问答加工作流加API对接一套打通，适合"员工问报销进度，系统去OA里查"这类要把问答变成办事的场景。知乎两者的文档解析深度不如RAGFlow，但胜在生态和上手速度。
MaxKB和AnythingLLM走的是"够用就行"路线。MaxKB定位简单的内网知识库问答，对国产化、信创环境友好，需求聚焦、预算有限的团队可以考虑。知乎AnythingLLM最轻量，有桌面版，个人整理文档够用，但它是固定长度机械切块，处理不了扫描版PDF——如果你资料里扫描件多，它会输出一堆乱码。知乎一句话总结：资料越复杂、越要引用溯源，越偏RAGFlow；越要接业务流程，越偏Dify/FastGPT；越图省事，越偏MaxKB/AnythingLLM。
成本清单：别只看软件免费
开源框架本身不要钱，但自建知识库的真实成本在硬件和运维上，这是很多人部署前没算清的：
RAGFlow：4核CPU+16GB内存+50GB存储起步，需要Docker 24.0+和Docker Compose v2.26.1+，无GPU环境用slim镜像。这个门槛显著高于普通桌面软件。
Dify/FastGPT/MaxKB：同样Docker部署，但资源门槛整体低于RAGFlow，8GB内存的机器也能先跑起来验证。
AnythingLLM：桌面版直接安装，几乎零门槛。
以有用户在16GB内存NAS上的实测体验为例：用Docker Compose部署完成后，容器面板里能看到MySQL、Elasticsearch、MinIO、Redis、ragflow主服务五个组件同时在跑；Web访问要把宿主机8080（HTTP）和8443（HTTPS）端口映射到容器内的80/443；首次启动遇到短时间的502属正常现象，等初始化完成即可，持续数分钟就要去查各组件日志，而不是干等。知乎
还有一个隐性成本：0.27的知识编译和Agentic Retrieval都依赖LLM调用，文档量大时编译环节的token消耗不可忽视。功能很强，但不是免费的。
关键判断：现在该升0.27吗？要不要等Go版？
这是本次更新里最需要做判断的部分，分三种情况说：
还没部署过、准备新上手：直接用0.27起步没有争议。新部署没有历史包袱，知识编译和多实例模型管理都是即得收益。唯一提醒是如果你的文档以简单纯文本为主，知识编译的收益有限，标准解析流程就够。
已经在用旧版、知识库跑在业务里：不建议立刻升级大版本。0.27是最后一个Python大版本，之后的Go重写意味着后端整体换栈。知乎官方没有承诺Go版与Python版的数据无缝迁移方案（至少公告里没提）。稳妥做法是停在当前稳定版，等Go版1.0发布、官方给出迁移工具和数据兼容说明后再动。生产环境最忌在技术栈切换窗口期追新。
个人折腾、纯学习：随便升。0.27的知识编译产物（尤其Wiki和知识图谱）本身就很值得体验，五档Thinking模式也是观察Agentic RAG实际行为的好样本——这比看论文直观。
往后值得持续盯三个信号：一是官方Go版本的迁移指南何时放出、是否提供数据导入工具；二是社区对0.27稳定性的反馈（目前发布刚一周，样本还少）；三是知识编译的成本问题会不会有本地小模型方案，这决定它是玩具还是生产功能。
结语
回到开头那句话：RAGFlow迁移Go，本质是这个赛道从"能用"走向"生产级基础设施"的信号——检索正在从服务人变成服务Agent。对个人用户，这不影响你现在选型；对打算长期跑在业务里的团队，未来半年的版本公告值得逐条读。
选框架没有标准答案，但有个判断顺序不会错：先看你资料里最复杂的是什么格式，再看你要不要接业务流程，最后才是比功能和生态。
