北京
LangBot发布v4.9.0，代号“Knowledge Without Borders”。这次更新的核心动作只有一个：把整个知识库能力从内置实现重构为插件驱动架构。官方说法是，这重新定义了LangBot里“知识”的含义。
旧架构的两个系统
在v4.9.0之前，LangBot的知识库被拆成两套独立系统。内置知识库使用Chroma作为向量数据库，嵌入模型由LangBot直接管理，文档解析、分块、索引全部写死在核心里。外部知识库则通过KnowledgeRetriever插件组件桥接Dify、RAGFlow、FastGPT等服务，只做检索，不做文档入库。
这两套系统分别放在不同界面标签下，数据模型和管理流程完全不同。带来的问题很直接：扩展性差，想换向量数据库或自定义分块策略基本没门；维护成本高，每次RAG改进都要改核心代码并发布新版本；用户体验割裂，两套知识库管理流程意味着更陡的学习曲线。
v4.9.0的四个变化
第一，统一知识库模型。内部和外部的区分被取消，所有知识库通过单一界面管理，只靠rag_engine_plugin_id区分引擎。一个列表、一个创建流程，选引擎即可。
第二，新增KnowledgeEngine组件。它取代旧的KnowledgeRetriever，接管知识库完整生命周期：文档入库，从文件解析到向量索引的完整管线；知识检索，查询时返回相关分块；文档删除，清理文档及其关联向量数据；生命周期钩子，知识库创建或删除时的回调。一个KnowledgeEngine插件对索引和检索策略拥有完整控制权，而不只是检索。
第三，Parser组件独立。文档解析被抽成单独的插件组件类型。Parser把PDF、Word、Markdown等二进制文件转成结构化文本，再交给RAG引擎做分块和索引。如果某个RAG引擎声明了DOC_PARSING能力，它可以在内部处理解析，跳过外部Parser。
第四，Host RAG API。LangBot核心不再直接执行RAG操作，但仍通过RAGRuntimeService提供基础设施，插件可以通过RPC访问。具体包括：invoke_embedding()嵌入调用，插件无需管理模型连接；vector_upsert()、vector_search()、vector_delete()向量数据库操作；get_knowledge_file_stream()文件访问，从存储读取原始文件。
这样一来，插件可以专注于RAG策略本身，比如分块算法、检索逻辑、重排序，而不用操心底层连接和存储细节。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
