企业想要借助AI理解内部知识，最大的挑战是什么？并非大模型不够强大，也非工具不够丰富——而是知识明明存在，AI却搜不到、回答不准、无法说明来源。阿里云百炼近期推出重磅更新，Knowledge Studio（即RAG 4.0）正式发布独立的Rag Agent服务，用一句话概括：实现了“Agentic Search + Agentic Generation”的完整闭环。无论你的知识是文本、图片还是视频，都能做到——搜得到、回答好，并且每个答案的出处都清晰标注出来。
核心能力全面升级
独立站发布。MCP、Skill、CLI……知识库的能力不再局限于“只能在自家环境中使用”，而是可以随处调用，灵活集成。
多模态搜索问答。图片、文字、视频，一站式搜索提问，无需再在不同工具间频繁切换。
Agentic Generation。不是搜索到什么就机械回答，而是先生成、再验证，最终给出带有精确引用的答案。
多库检索、问答。支持跨多个知识库联合检索与问答，智能路由搭配混合排序，一个提问即可在多库中同时寻找答案。
NL2SQL。想从数据中获取答案？直接用自然语言描述需求即可，无需编写SQL语句。
即将发布：Agentic Search / Vibe RAG Builder。多轮规划式检索，能跨多个知识库智能搜索，找到传统检索方式难以发现的答案。用自然语言描述需求，自动构建最优的知识问答配置。
七大发布亮点
亮点 1：独立站发布，MCP、Skill、CLI……知识库随处可用
只需一个API Key，就能支持Claude code、Codex、JVS、Qoder、悟空等所有主流Agent轻松调用知识库的能力。换句话说，企业私有数据的快速检索与问答不再被平台绑定，任意场景均可使用。
亮点 2：多模态数据搜索与问答，从“只能搜文字”升级为“图文视频一站式搜索提问”
解决痛点：知识库中大量关键信息以图片、视频形式存在——产品示意图、流程图、监控截图、培训视频、操作演示等。传统RAG只能通过OCR将图片转文字，视频则被直接忽略，导致视觉细节和时序信息丢失。遇到“这张图是什么意思”“视频里讲了什么”这类问题，AI直接无法回答。
RAG 4.0 解决方案：多模态图片搜索加上多模态音视频问答，图片库问答与视频库问答全面打通。例如，“这件衣服有吗？”——直接在图片库中搜索；“产品培训视频里提到的三个安装步骤是什么？”——从视频库中查找答案。
亮点 3：Agentic Generation，深度问答，精准引用
工作模式：多轮【规划 → 检索】→ 最终生成。
核心价值：
- 不是搜索到什么就回答什么，而是反复验证信息充分后才生成最终回答；
- 精确引用溯源——回复中标注来源文档、段落、页码，用户可一键查看原文；
- 多模态展示——回复中可引用图片、表格、文档原文等多种形式；
- 支持流式输出，用户可实时看到Agent的思考和检索过程。
亮点 4：多库混合检索问答，跨库结果精准排序
解决痛点：多个不同类型知识库的检索结果分数不可比，简单拼接导致排序混乱，相关性差的结果反而排在前面。
RAG 4.0 解决方案：
- 知识库权重配置——按业务重要性为每个知识库设置权重（0.5～2倍），优先展示核心库结果；
- 跨库Rerank——多库检索结果统一经过排序模型（qwen3-VL-rerank）重新打分排序，确保跨库分数可比，满足全模态知识库排序要求。
支持的排序模型：qwen3-vl-rerank。
亮点 5：NL2SQL，结构化数据智能问数
解决痛点：传统RAG处理结构化数据依赖语义检索——把表格当文档搜索。遇到“总额是多少”“哪个占比最高”“同比变化多少”这类需要聚合计算的问题，语义检索只能返回相似的文本片段，无法真正“算”出答案。
RAG 4.0 解决方案：
- 上传即用——支持直接上传Excel文件，无需用户自备数据库，构建知识库后即可对数据进行智能问数；
- 智能问数——遇到数据类问题，Agent自动走查询计算路径，算完再答；
- 数据和文档联合——一句话里既有数据问题又有文档问题，一次回答全覆盖。
典型场景：
- “上季度华东区销售额前10的产品分别是什么？退货率如何？”；
- “A产品和B产品的用户满意度差多少？”。
亮点 6：Agentic Search——从“搜一次”到“像专家一样反复搜索”
解决痛点：传统RAG单次向量搜索，Query稍微复杂一点就搜不到。
RAG 4.0 解决方案：
- Agent自主进行多轮：意图理解 → Query改写 → 知识库路由 → 多库检索 → 结果验证；
- 搜不到会自动换策略、拆解子问题、切换搜索工具重试；
- 内置6种检索工具：语义搜索、章节浏览、章节精读、页面浏览、SQL执行、文件获取；
- 支持单库/多库（最多15个知识库联合检索）；
- 多库混合排序：跨知识库结果智能混排，支持知识库权重配置、跨库Rerank、VL-Rerank（图文混排）。
典型场景：“对比我们产品和竞品在安全认证方面的差异”——Agent会自动拆解为多个子查询，分别在产品文档库和竞品分析库中多轮检索。
亮点 7：Vibe RAG Builder——自然语言构建知识检索与问答服务
解决痛点：传统知识库配置复杂，涉及embedding模型选择、检索TopK、rerank模型/模式、NL2SQL开关、相似度阈值等十余项参数，普通用户难以快速上手。
RAG 4.0 解决方案：
- 用自然语言描述你的知识库场景和需求；
- Vibe Agent自动分析场景，推荐最优的检索和生成配置组合；
- 包括：检索模式选择（极速/Agentic）、知识库权重分配、排序模型选择、NL2SQL开关、召回数量等；
- 零门槛搭建专业级知识问答Agent。
更适合企业Agent应用的知识库RAG
企业Agent要真正落地，不能只依赖更强的大模型，也不能只靠更多工具插件，还需要一套能理解企业知识、连接企业数据、支持多轮检索，并把答案来源清楚交代出来的系统。这正是企业Agent应用过程中，阿里云百炼知识库Knowledge Studio（RAG 4.0）所补齐的关键一环。
如果你想先体验一下这套系统，可以通过以下链接进行体验：https://rag.console.aliyun.com/playground