开源 RAG 与知识库平台怎么选:先问清这五个问题
如何在以文档解析见长的 RAG 引擎、知识库智能体平台和带权限控制的企业检索之间做选择,并介绍 RAGFlow、MaxKB、PipesHub 及周边工具各自的定位。
AgentIndex · 发布于 2026-10-08 · 更新于 2026-10-08
检索增强生成(RAG)是让大模型基于你自己的资料回答问题的最常见方式:资料可能是文档、工单、Wiki 或聊天记录。现在号称能做 RAG 的开源项目有几十个,但它们解决的问题差别很大:有的是擅长把难处理的 PDF 变成可检索片段的引擎;有的是用来搭建知识库助手的平台;有的则能连接公司各种工具,并且遵守“谁能看什么”的权限。
本文先给出比较产品之前应该先问的五个问题,再把 AgentIndex 目录里的 RAG 工具放到这张图上。先说明范围:目录的“RAG / 知识库”分类下有 304 个工具,但 GitHub star 超过 1,000 的不到 25 个,LlamaIndex、LangChain 这类大家熟悉的库也没有作为独立条目收录。所以这不是一份完整的 RAG 生态调查,只覆盖我们实际读过文档的那些工具。
决定选择的五个问题
1. 你的资料长什么样?
检索质量的上限,取决于解析质量。干净的 Markdown 或 HTML 基本不需要额外处理;而扫描版 PDF、表格、幻灯片和版式复杂的文档,正是很多流程悄悄丢失信息的地方。如果资料比较杂乱,就优先选择具备版面分析、OCR 和表格识别的工具,同时看看能不能查看并修正文档被切分成片段的方式。
2. 知识存放在哪里,谁有权查看?
上传一个文件夹里的文档,和检索公司的 Slack、网盘、Jira、GitHub,是两种完全不同的问题。后一种情况下,权限比花哨的检索技巧更重要:助手把机密文档展示给了不该看的员工,比没有助手还糟。要确认工具是否会遵守源系统的访问控制。
3. 你需要的是应用还是库?
带网页界面、用户管理和现成聊天功能的平台,能让你很快用上一套可运行的系统,但对检索细节的控制较少;代码库则让你可以调整每一个环节,代价是界面、认证和运维都要自己做。没有专职工程师的团队通常需要前者;要把检索嵌入现有产品的团队更需要后者。
4. 用哪些模型,在哪里运行?
要确认支持哪些模型服务和 Embedding 模型、能否使用本地模型,以及数据是否会离开你的基础设施。对于受监管或机密的资料,用本地或私有模型自托管,可能是硬性要求,而不只是偏好。
5. 答案能不能被验证?
好的 RAG 回答会以人能核对的粒度给出来源:页码、段落或内容块。没有这一点,你就无法区分有依据的回答和听起来合理的编造。优先选择能显示每个结论出处的工具。
目录中的工具各自处在什么位置
以文档解析见长的引擎:RAGFlow
RAGFlow 是一个开源的 RAG 引擎,强项是深度文档理解。它在切分之前,先用版面分析、OCR 和表格识别处理复杂的 PDF、幻灯片、表格、扫描件和网页,提供可以查看并手动调整的模板化切分,并给出带可追溯引用的回答。新版本还加入了可选思考深度的 Agentic 检索,以及把知识编译成 Wiki、图谱和思维导图的能力。
适合: 文档很长、含扫描件或大量表格,回答质量取决于解析效果的场景。需要有一定的基础设施:项目建议至少 4 核 CPU、16 GB 内存和 50 GB 磁盘,另外还要配置 LLM、Embedding 模型和 Reranker。
知识库智能体平台:MaxKB
MaxKB 把 RAG 流程(上传或抓取文档、自动切分和向量化)与 Agent 工作流引擎、函数库和 MCP 工具调用结合在一起。它支持 DeepSeek、Llama、通义千问等私有模型,也支持公共模型服务,能处理文本、图片、音频和视频,并且设计成几乎零代码就能把助手嵌入现有业务系统。一条 Docker 命令即可启动。
适合: 想快速跑起一个知识库助手或客服机器人,尤其是需要私有化部署并使用国产模型的环境。有两点需要知道:它采用 GPL-3.0 许可;它自带一个公开的默认管理员密码,对网络开放之前必须修改。
带权限控制的企业检索:PipesHub
PipesHub 针对的是上面的第二个问题。它能连接 50 多个业务系统,包括 Slack、Google Drive、GitHub、Microsoft 365 和 Notion,支持实时和定时索引,回答带有内容块级别的引用,并且按每个人被允许查看的范围过滤结果。它还提供基于图的检索、多模态理解、无代码 Agent,以及可让编程助手查询公司知识的 MCP Server。采用 Apache-2.0 许可,通过交互式安装程序以 Docker Compose 部署。
适合: 知识分散在各种办公工具里,且访问控制不能让步的场景。托管的云版本目前标注为“即将推出”。
需要的是研究报告,而不是常驻知识库:GPT Researcher 和 Deep Research
如果你要的不是长期的知识库,而是围绕某个主题的调研报告,深度研究类 Agent 更合适。GPT Researcher 会搜索网页和你的本地文档,并撰写带引用的报告;Deep Research 是可自托管的网页应用,采用双模型设计,报告可编辑,还带本地知识库。它们更擅长把一个问题彻底查清,而不是在长期内回答成千上万个问题。
代码和技术文档检索
检索也是帮助编程 Agent 的那些工具的基础。Context7 会把最新的、对应具体版本的库文档注入提示词;codebase-memory-mcp 会把代码仓库索引成可查询的知识图谱。它们解决的问题比企业知识库窄,但如果你的目标是获得更好的代码回答,这是更轻量的起点。
快速选型表
| 你的情况 | 建议从这里开始 |
|---|---|
| 文档很长、含扫描件或大量表格,解析质量是瓶颈 | RAGFlow |
| 想快速跑起知识库助手或客服机器人,需要私有化部署 | MaxKB |
| 知识分散在 Slack、网盘、Jira、GitHub,必须有权限控制 | PipesHub |
| 一次性的深度调研报告 | GPT Researcher 或 Deep Research |
| 提升关于代码和库的回答质量 | Context7、codebase-memory-mcp |
决定之前的实用建议
- 用自己的文档做测试。 准备 20 个真实问题和能回答它们的文档,分别在两个候选方案里跑一遍。解析和引用质量的差别立刻就能看出来。
- 看清许可证。 RAGFlow 和 PipesHub 是 Apache-2.0,MaxKB 是 GPL-3.0。如果你打算修改后再分发,或者把它作为产品的一部分提供给别人,这一点很重要。
- 把配套服务算进预算。 大多数平台还需要向量库或搜索库、数据库、Embedding 模型和 LLM。要算整套技术栈的成本,而不只是应用本身。
- 考虑后续更新。 知识会过时。选择支持定时或增量同步数据源的方案,而不是一次性上传。
- 从小处开始。 一个团队、一份文档、一个可衡量的问题。在你信任这些回答之后再扩大范围。
你可以在 RAG / 知识库分类里浏览这一领域的所有工具;我们的《如何挑选 MCP Server》则介绍了怎样评估把这些系统接到助手上的工具。