AgenticRAG

进入控制台

AgenticRAG · Knowledge OS v1.0

AgenticRAG
智能知识库

把分散的企业知识，转化为 Agent 可调用的证据服务独立 RAG 基础设施——专注解析、切块、索引、检索与知识编译

进入控制台预约演示

混合检索
证据可追溯

证据优先 EVIDENCE

检索结果以 evidence cards 返回来源、正文、分数、Metadata 与知识单元标识。

双路检索 HYBRID

Qdrant 向量检索与 PostgreSQL 关键词索引结合，兼顾语义相关性与精确匹配。

开放可替换 PLUGGABLE

Embedding、LLM、向量库与解析服务均模块化，可按成本与安全要求组合。

私有化可控 ON-PREMISE

完整栈可通过 Docker Compose 部署，满足数据不出域与网络隔离要求。

100%

Scroll

Positioning

从「模型会不会回答」，到「知识能否稳定接入」

随着大模型走向企业核心业务，智能体落地的关键正在从模型能力转向知识的稳定接入、准确检索与可信引用。
企业内部同时存在 PDF、Word、Excel、数据库记录和行业资料，传统方案容易重复建设、缺少出处且更新不及时。

独立底座

AgenticRAG · Evidence Service

专注成为证据服务

把分散知识转化为 Agent 可调用、可追溯、可审计的证据服务。边界清晰，因此可以嵌入现有智能体平台、业务系统或行业方案，无需推翻既有技术体系。

文档导入、统一解析、语义切块、向量化
索引构建、混合检索、知识编译与证据返回
REST API 对外，不把应用锁定在某一种大模型上

明确不做

Upper Layer · Not Our Scope

不替代上层 Agent 职责

AgenticRAG 不替代上层 Agent 的问题理解、任务规划和最终表达。它只负责把知识侧做扎实——检索拿到的每一份证据都可回溯，让上层应用放心地组织回答。

不做问题理解与意图改写
不做任务规划与工具编排
不做最终回答的组织与表达

AgenticRAG

知识侧：接入、编译、取证

统一解析异构资料，构建可维护的索引与 Wiki 结构，按需返回带出处的证据单元。

上层 Agent

认知侧：理解、规划、表达

负责理解用户问题、规划任务步骤、调用工具，并基于证据组织最终回答。

REST API

契约层：清晰的调用界面

两端通过稳定的 API 契约协作，任一侧都可以独立演进、独立替换。

Knowledge Pipeline

从一份资料，到一张可引用的证据卡

文件进入系统后，经统一解析、切块、Embedding 与索引写入，成为可被检索的知识单元；
检索侧再把命中的来源、正文、分数与 Metadata 组装为 evidence cards 交还给上层。

knowledge pipeline · 五段处理链

资料接入

文件新增、更新与删除均可触发同步，源目录持续跟随业务变化。

MarkItDown MCPPDF / WordExcel / JSON

统一解析

异构格式归一为结构化文本，元数据同步抽取，由 Worker 后台编排。

Worker 编排元数据抽取增量优先

语义切块

按语义边界切分而非定长硬切，让每个知识单元自身语义完整。

语义边界Chunk 元数据可回溯定位

向量化

写入 Embedding 向量，云端兼容接口与本地 vLLM 均可接入。

Qwen3 Embedding本地 vLLM可替换

索引构建

向量索引与关键词索引同时就绪，为混合检索准备好双路命中。

QdrantPostgreSQL双路索引

L1 原始切片 · Chunk 已解析

chunk_idchunk_1

documentdoc_managed_20eddc8

L2 知识单元 · Wiki Claim hi · active

wiki_idW06

title消息、深度稿件与新媒体文案

sourcedoc_managed_20eddc8 / chunk_1

L3 证据卡 · Evidence Card 返回上层

score0.016

domain编 · llm_wiki · 核心种子

urikb/kb_1787660127873/…/chunk_1

一条知识链路的尽头，是一张可引用的证据卡

同一个知识单元在三层之间逐级富化：切片层保留原文定位，编译层挂上 Wiki 与 Claim 归属，检索层再补齐分数与 Metadata。

L1原始切片 —— 记录 chunk 与 document 标识，保证任何结论都能回到原文位置
L2知识单元 —— 编译为 Wiki 页面与 Claims，挂上领域、质量级别与激活状态
L3证据卡 —— 补齐 score、Metadata 与知识单元标识后返回上层 Agent 使用

任一层的字段都能回指上一层，形成完整溯源链。

Product Tour

AgenticRAG 控制台全览

从总览到 Wiki 编译，每一个界面都围绕同一件事设计：让知识的接入过程、索引状态与检索证据，被人看得懂、查得到、管得住。

01 / 06总览

一屏纵览，知识运行态势

登录即见的知识控制台。知识库数量、文档总量、Chunks 规模与 Wiki 页面数聚合为一张实时态势图，数据处理流水线的五个环节各自暴露队列与失败计数。

核心指标卡片式呈现：知识库 / 文档 / Chunks / Wiki 页面
数据处理流水线展示接入 → 解析 → 切片 → 向量化 → 索引五个环节
最近任务列表可逐条回看状态与耗时，异常环节一眼定位

agenticrag.neiku.tv/console · 总览

02 / 06知识库与文档

精细掌控，每一个知识库

从知识库创建到原文档管理，一站式完成资料接入。每个知识库独立呈现文档数、Chunks 与 Wiki 统计，支持接入说明、上传资料与重建索引。

知识库卡片直出文档数 / Chunks / Wiki 页面三项规模指标
原文档列表支持状态筛选、关键词搜索与批量重跑失败
每条文档标注解析状态、来源目录、Chunks 数与最近解析时间

agenticrag.neiku.tv/console · 知识库与文档

03 / 06索引任务

实时洞察，每一步索引作业

全局视角监控解析、切片、向量化与编译任务。Job ID、关联文档、任务类型与状态同屏呈现，失败的作业可直接重试，无需回到命令行排查。

任务按 wiki_lint / wiki_compile 等类型分类，状态一目了然
completed / failed 状态与重试次数并排展示
Worker 支持任务恢复与自动重试，失败作业可单条重跑

agenticrag.neiku.tv/console · 索引任务

04 / 06检索测试

逐条验证，检索是否命中

调整检索策略的沙盒。输入查询后直接看到 Top chunks 与命中耗时，每条结果展开 chunk、document、score 与 Wiki 元数据，方便快速验证切片质量。

可切换 raw 等检索模式，对比不同策略的命中差异
结果同时暴露 chunk id、document id 与 score 分数
最近查询历史保留命中耗时，便于回归对比

agenticrag.neiku.tv/console · 检索测试

05 / 06知识问答

有据可依，回答逐条可核

回答只以当前知识库证据为事实来源。左侧对话与右侧「回答依据」并排呈现，回答中的每一个引用标记都能在右侧定位到对应的 Wiki claim 与 chunk。

回答内联引用标记 [1] [2] [3]，点击即可核对依据
依据面板展示 Claim、document、chunk 与原始 URI 四层溯源
标注置信度与模型来源，降低幻觉风险

agenticrag.neiku.tv/console · 知识问答

06 / 06Wiki 编译

把资料编译为，可维护的知识结构

Agentic 模式下的核心能力。来源材料被编译为持久化 Wiki 页面与 Claims，左侧呈现编译进度与逐文档状态，右侧展示每条 Claim 的产物与关键词。

文档总数、待编译、排队中、编译中与已编译五档状态集中呈现
每条 Claim 标注 high 等质量级别与 active 状态
支持交叉核查、主题聚合与跨文档关联检索

agenticrag.neiku.tv/console · Wiki 编译

Retrieval Modes

编译模式 + 检索模式，同一条知识链路

AgenticRAG 既能把资料编译为持久化的 Wiki 与 Claims，也能把命中结果直接组装为 evidence cards。
前者适合需要长期维护的知识结构，后者适合即取即用的问答与工具调用。

compiled retrieval · 编译检索

把来源材料编译为持久化 Wiki 页面与 Claims，检索时直接命中已编译的知识单元，答案结构稳定、可复用、可维护。

agentic retrieval · 智能体检索

由 Agent 根据问题自主决定检索路径，可跨文档关联、按主题聚合，适合复杂问题与多跳推理场景。

knowledge graph · 知识图谱路径

把持续增长的资料组织为可维护的知识结构，支持跨文档关联与主题聚合，让知识资产随使用不断厚实。

multimodal · 多模态扩展

可按场景扩展图片、视频及融合检索，把多模态资料一并纳入同一套索引与证据体系。

evidence-cards.json
// 检索结果以 evidence cards 返回
            "results": [
            {
            "rank": 1,
            "score": 0.016,
            "title": "W06. 消息、深度稿件与新媒体文案",
            "wiki_id": "W06",
            "domain": "编",
            "content_class": "llm_wiki",
            "status": "核心种子",
            "difficulty": "基础到进阶",
            "chunk_id": "chunk_1",
            "document_id": "doc_managed_20eddc8...",
            "uri": "kb/kb_1787660127873/doc_managed_20eddc8/chunk_1"
            },

            // Claims 编译产物同样可追溯
            {
            "claim": "claim_w20_learning_analysis_no_auto_high_risk",
            "quality": "high",
            "state": "active",
            "source_chunk": "doc_managed_c02212db.../chunk_7"
            }
            ]
          

Architecture

API 与 Worker 解耦的分层架构

项目采用 API 与 Worker 解耦架构。后端基于 Node.js 22、TypeScript 与 Fastify；PostgreSQL 负责元数据、任务、日志与关键词索引，Qdrant 承担向量检索，MarkItDown MCP 负责解析；Embedding 可接入云端兼容接口或本地 vLLM。

接入层

Access

REST APIWebSocketVue 3 管理端API Key 鉴权

应用服务层

API Service

Node.js 22TypeScriptFastify健康检查

任务编排层

Worker

后台任务编排任务恢复自动重试并发配置

解析层

Parsing

MarkItDown MCPPDF / Word / ExcelMarkdown / JSON元数据抽取

切块与向量层

Chunk & Embedding

语义切块EmbeddingQwen3 Embedding本地 vLLM

检索层

Retrieval

Qdrant 向量检索PostgreSQL 关键词索引混合排序evidence cards

知识编译层

Wiki Compilation

Wiki 页面Claims 抽取wiki_lint知识图谱

存储层

Storage

PostgreSQL 元数据任务与日志Qdrant 集合索引状态

部署与运维层

Deploy & Ops

Docker Compose私有化部署租户过滤受控恢复流程

Scenarios

有资料的地方，就有它的用武之地

同一套知识底座，支撑完全不同的行业语义。AgenticRAG 可作为行业知识库、智能客服、研发检索、医疗文献、制造业资料、售后支持和智能体平台的通用底座。

行业知识库

把分散的行业资料统一接入，编译为可维护的 Wiki 结构与可引用证据，支撑长期运营的知识资产。

多格式资料统一解析
Wiki 页面与 Claims 编译
跨文档关联与主题聚合

智能客服

客服话术、产品手册与工单历史统一检索，每条回复都附带出处，减少答非所问与口径不一致。

回复依据可回溯
多知识库按租户隔离
资料更新增量同步

研发检索

设计文档、接口说明与历史决策集中检索，让新人快速理解上下文，让老问题不再重复讨论。

接口与文档语义检索
历史决策可追溯
精确匹配与语义并重

医疗文献

临床指南与文献资料统一入库，检索结果保留来源与元数据，为专业判断提供可核查的依据。

指南条款精确匹配
文献出处完整保留
私有化部署数据不出域

制造业资料

设备手册、工艺参数与检修记录沉淀为可复用技能，把老师傅的经验变成组织可检索的资产。

设备手册结构化
工艺参数快速定位
检修记录关联检索

售后支持

故障知识库与解决方案统一检索，一线人员拿到带出处的处置建议，缩短定位与响应时间。

故障现象语义匹配
处置步骤附出处
知识随工单持续沉淀

智能体平台

作为智能体平台的通用知识底座，同一套基础设施服务多个 Agent、业务系统与知识库。

统一 REST API 对外
多 Agent 共享底座
能力可复用不重复建设

REST API 与证据卡片

开放接口可以缩短集成周期，可信证据可以提升应用质量与客户信任。
上层 Agent 拿到结果后可据此组织回答、标注引用、回溯原文或继续调用工具，从而降低幻觉风险，提高业务可信度。

terminal · curl
# 发起一次检索，取回 evidence cards
                  curl -X POST "/api/v1/search" \
                  -H "Authorization: Bearer $AGENTICRAG_KEY" \
                  -H "Content-Type: application/json" \
                  -d '{
                    "kb_id": "kb_1787660127873",
                    "namespace": "default",
                    "query": "新媒体",
                    "top_k": 5,
                    "mode": "raw"
                    }'

                  # 触发知识库增量同步
                  curl -X POST "/api/v1/kb/kb_1787660127873/sync" \
                  -H "Authorization: Bearer $AGENTICRAG_KEY" \
                  -d '{ "strategy": "incremental" }'

                  # 查询索引任务状态
                  curl -X GET "/api/v1/jobs?kb_id=kb_1787660127873" \
                  -H "Authorization: Bearer $AGENTICRAG_KEY"
                

main.py
import os
                  from agenticrag import Client

                  client = Client(
                  base_url="https://agenticrag.neiku.tv",
                  api_key=os.environ["AGENTICRAG_KEY"],
                  )

                  # 混合检索：语义 + 关键词
                  resp = client.search.query(
                  kb_id="kb_1787660127873",
                  namespace="default",
                  query="新媒体",
                  top_k=5,
                  mode="raw",
                  )

                  # 逐条消费证据卡
                  for card in resp.results:
                  print(card.score, card.title)
                  print(card.uri) # 可回溯原始出处
                  if card.wiki_id:
                  print(f"wiki={card.wiki_id} domain={card.domain}")
                

search.mjs
import { AgenticRAG } from "@xysk/agenticrag";

                  const client = new AgenticRAG({
                  baseUrl: "https://agenticrag.neiku.tv",
                  apiKey: process.env.AGENTICRAG_KEY,
                  });

                  const { results } = await client.search.query({
                  kbId: "kb_1787660127873",
                  namespace: "default",
                  query: "新媒体",
                  topK: 5,
                  });

                  for (const c of results) {
                  console.log(c.score, c.title);
                  console.log(c.uri); // 证据出处
                  }
                

索引事件流 · WebSocket

doc_ingestedW33.垂直行业知识转译与专业内容生产.md · parsed

chunked14 chunks · 元数据已抽取

embeddedQwen3 Embedding · 写入 Qdrant 集合

indexedPostgreSQL 关键词索引 + 向量索引就绪

wiki_compile生成 8 claims · 1 wiki page · 9 operations

job_completedelapsed 213.5s · status=completed

Why AgenticRAG

不只是知识库，更是基础设施

而是把知识的接入、编译与取证，提升为可验证的基础设施——证据优先、开放可替换、工程可验证、能力可复用。

证据优先，保留来源与元数据

结果以 evidence cards 返回来源、正文、分数、Metadata 与知识单元标识。上层 Agent 可据此组织回答、标注引用、回溯原文，从源头降低幻觉风险。

开放可替换，组件按场景组合

Embedding、LLM、向量库和解析服务均采用模块化接口，可按成本、算力和数据安全要求选择云端或本地能力，减少供应商锁定。

工程可验证，流程有明确证据

功能、性能、健康和恢复流程都有明确证据。Worker 支持任务恢复、自动重试与并发配置；API Key、租户过滤、健康检查与索引状态检查为长期运行提供保障。

能力可复用，一个底座多个 Agent

同一底座可服务多个 Agent、业务系统和知识库。文件新增、更新和删除可触发增量同步，减少全量重建成本，让知识资产持续在线。

Deployment

从在线体验，到内网私有化落地

同一套核心能力，两种交付形态。先在控制台跑通知识接入与效果验证，再按需平滑迁移至内网环境。

云端控制台

开箱即用，通过访问密钥即可进入控制台。完整包含知识库管理、索引任务、检索测试、知识问答与 Wiki 编译能力，无需自建基础设施，适合快速验证与中小规模生产使用。

即刻体验自动升级多模型后端按需扩容