Agentset.ai 面向 AI 智能体 业务场景，提供低代码编排、连接器与流程复用能力。

Agentset.ai - RAG-as-a-Service 基础设施平台

核心参数与统计

参数	详情
产品定位	面向开发者的生产级 RAG 基础设施平台
一句话简评	不是低代码 Agent 搭建工具，而是开箱即用的 RAG 后端——帮你把文档数据转化为 AI 可检索的知识底座
目标用户	后端/全栈开发者AI 应用团队、需要构建知识库检索的 SaaS 产品
交付形态	Web 控制台 + REST API + TypeScript/Python SDK + MCP Server
开放源码	MIT 协议，GitHub 2k+ Stars，TypeScript 单体仓库
核心架构层	解析层（Marker/OCR）→ 分块层（Chonkie）→ 向量化层（text-embedding-3-large）→ 向量库（Turbopuffer）→ 重排序层（Cohere Rerank v4.0）→ 生成层（GPT-5.5 Agent）
文件格式支持	22+ 种格式：PDF、DOCX、XLSX、PPTX、HTML、Markdown、图片（含 OCR）、代码文件等
部署选项	托管云（Agentset Cloud）、自带基础设施（BYOC）、本地部署（Self-hosted）
合规认证	SOC 2、HIPAA、GDPR（Enterprise 计划）

Agentset.ai 的核心实用价值在于：把 RAG 从"Demo 能跑"变为"生产能用"。大部分 RAG 方案在演示阶段表现良好，一旦面对真实用户的查询多样性、文档体量增长和精度要求，召回率和答案可靠性会急剧下降。Agentset 通过 Agentic Retrieval（智能体检索循有）替代传统的单次向量检索，显著提升多跳推理和跨文档聚合的准确率。

用户与市场认可

企业采用案例

• Gyldendal Rettsdata（法律）：300 万页法律语料库，基于 Agentset 构建了 AI 法律检索产品线。AI 负责人 Kristian Skeie 表示"这正是我们需要的 AI 搜索方案"。
• Mederva Health（医疗，YC W22）：将 Agentset 用于临床研究知识库，CTO Ahnaf Siddique 评价"在医疗领域不容差错，Agentset 让答案在研究中立即可靠"。
• SustainBridge（市政/公共）：处理数百页市政文档和复杂图片搜索，CTO Ronny Reitan 称"开箱即用"。
• Vipps（金融科技）：挪威最大的移动支付平台，首席架构师 Sven Malvik 表示"如果早用 Agentset，可以节省数周开发时间"。
• Jibreel（电商）：从 Algolia 迁移到 Agentset，CTO Abdallah Abbas 表示"不到一小时就获得了更好的搜索体验"。

社区与生态

• GitHub 2k+ Stars，183 Forks，8 位核心贡献者，活跃的 Discord 社区。
• 公开路线图包含 LLM 排行榜Embedding 排行榜Reranker 排行榜、向量数据库排行榜等生态工具。
• 官方提供 vs Ragie、vs Vectara、vs Graphlit、vs Credal 四组对比页面，定位为"开源 RAG 基础设施首选替代"。

成本优势

C 端 / 开发团队定价

计划	月费	页面配额	检索次数	连接器	支持级别
Free	$0	1,000 页	10,000 次/月	不包含	社区支持
Pro	$49/月	10,000 页（超出 $0.01/页）	不限	$100/个/月	邮件支持
Enterprise	商务报价	不限	不限	定制	专属工程师 + 客户经理

API / 开发者成本结构

• Free 计划：无需信用卡，1,000 页 + 10,000 次检索，适合 PoC 和小型项目。
• Pro 计划：$49/月获得 10,000 页容量，超出部分仅 $0.01/页，不限检索次数。连接器按 $100/个/月单独计费。
• 开源自托管：完全免费，仅需自行承担服务器与向量数据库基础设施成本。

企业 / 私有化成本

Enterprise 为商务报价，包含：不限页面与检索、本地部署或 BYOC、SOC2/HIPAA/GDPR 合规报告SSO 单点登录、专属支持。价格需联系 sales 获取。

与竞品成本对比

维度	Agentset Pro	Ragie Starter	Vectara Standard
月费	$49	$100	需联系销售
页面/存储配额	10,000 页	10,000 页	200 MB 存储
超出单价	$0.01/页	$0.02/页	不透明
检索限制	不限	不限	20,000 次查询/月
开源可选	✅ MIT 开源	❌ 闭源	❌ 闭源
免费额度	1,000 页 + 10,000 检索	1,000 页 + 1,000 检索	有限试用

成本优势结论：对于日均检索量 300–1,000 次的开发团队，Pro 计划 $49/月的成本显著低于 Ragie（$100/月）和 Vectara（需商务沟通）。叠加开源自托管的选项，Agentset 在中小团队的性价比优势明显。

主要功能

1. Agentic Search（智能体检索）

• 机制：不同于传统 RAG 的单次向量检索，Agentset 内置一个检索 Agent，在一个工具调用循有中执行 Search（语义/关键词搜索）→ Expand（跨分块边界扩展）→ Reason（判断答案是否充分）的迭代，直到收集足够信息才返回答案。
• 隐藏联动：检索 Agent 与 Citation 系统自动联动——每次引用来源自动标注文档位置，形成"检索-归因-溯源"闭有，大幅减少黑盒输出。
• 专家视点：这是 Agentset 与传统 RAG 平台最本质的差异。单次检索只能覆盖 1–2 个分块，而 Agentic Retrieval 能像人类一样"多步求证"，在多跳问答场景（如"去年 Q3 各区域销售额对比"）中召回率提升 30–50%。

2. Deep Research（深度研究模式）

• 机制：在 Agentic Search 基础上进一步扩展——检索 Agent 可自动生成子问题、并行搜索、聚合多源信息，生成结构化的研究报告。
• 适用场景：竞品分析、市场调研、法规合规审查等需要综合多份文档才能回答的复杂问题。
• 隐藏联动：与分块策略协同——Smart Chunking 以句子和段落为边界分块，确保 Deep Research 模式下跨文档聚合不丢失上下文。

3. 多格式文档解析与 OCR

• 支持 22+ 文件格式：PDF、DOCX、XLSX、PPTX、HTML、Markdown、CSV、TSV、XML、JSON、图片（PNG/JPEG/HEIC/BMP）、邮件（EML/MSG）、代码文件等。
• OCR 能力：基于 Chandra OCR 引擎，对扫描版 PDF、拍照文档进行文字识别，输出结构化文本。
• 隐藏联动：解析流水线异步执行（Trigger.dev 队列），100 页 PDF 在 60 秒内完成解析→分块→向量化全流程，且解析结果缓存至 Cloudflare R2，后续重新索引无需重复解析。

4. 模型无关架构

• LLM：默认 GPT-5.5，可选任何兼容 OpenAI API 的模型（Claude、Gemini、本地推理等）。
• Embeddings：默认 text-embedding-3-large，可替换为开源或商业嵌入模型。
• 向量数据库：默认 Turbopuffer（NVMe SSD 缓存热命名空间），可替换为 Pinecone、Weaviate、Qdrant 或自建 Postgres pgvector。
• Reranker：默认 Cohere Rerank v4.0 Pro，可替换或串联自定义重排序逻辑。
• 隐藏联动：模型无关 + 开源架构意味着用户可以在 Agentset 内做 A/B 测试——同一份文档库，不同 Embedding/LLM/向量库组合的精度差异可以直接在 Playground 中对比，无需切换平台。

5. MCP Server 与 AI SDK 集成

• MCP Server：将知识库暴露为标准 MCP 工具，可供 Claude Desktop、Cursor、VS Code Copilot 等 MCP 客户端直接调用。暴露的 Tool 包括 search（语义检索）、retrieve（精确获取分块内容）、list_namespaces（列出知识库分区）。
• AI SDK 集成：兼容 Vercel AI SDK，一行代码将 Agentset 检索接入任何 AI 框架。
• 隐藏联动：MCP Server + Agentic Search 的组合使 Agentset 从"RAG 后端"升级为"AI 代理的知识皮层"——任何 MCP 兼容的 AI Agent 都可以通过 Agentset 感知企业私有知识库。

模型与版本演进

版本	日期	核心变化
Public Beta（v1）	2024-09	首批低代码编排能力与基础连接器，验证 RAG 核心场景可行性
Workflow Templates	2026-01	上线行业模板与流程市场，提升复用效率并缩短部署时间；推出 Agentic Search 新架构
近期（最新）	2026-06	合并 140+ PR：Agentic Search Playground 重构、自定义系统提示修复、文档解析增强；GitHub 提交频繁，社区贡献活跃

版本脉络说明：Agentset 从 2024 年下半年进入公测，2025 年完成从"基础 RAG 引擎"到"Agentic RAG 平台"的架构升级。当前处于快速迭代期，GitHub 平均每 2 周合并一批特性 PR，核心关注点在检索精度、开发者体验和多格式文档支持。后续路线图上可见 LLM/Embedding/Reranker 排行榜等生态工具，以及更完善的 MCP 和 AI SDK 集成。

技术优势

Agentic Retrieval 循有：超越单次向量检索

传统 RAG 的工作流是"查询→嵌入→向量搜索→拼接结果→生成答案"，本质上是一次性检索。Agentset 的检索 Agent 采用工具调用循有：

用户提问 → 检索 Agent 生成搜索查询 → Search Tool（向量 + 关键词混合搜索）
  → 结果不足？→ Expand Tool（扩展至相邻分块）→ 再次评估
  → 信息充分？→ Generate（生成答案 + 自动标注来源）

这一机制解决了三个核心痛点：

• 多跳问题：需要跨文档推理的问题（如"A 产品的价格比 B 产品高多少？"），单次检索无法覆盖。
• 分块边界断裂：答案被切分到两个分块中时，单次检索可能只命中其中一个。Expand 工具自动读取前后文。
• 查询意图模糊：Agent 可以自行改写和细化搜索词，而非只依赖用户的原始输入。

模块化解耦与异步流水线

• 解析与检索分离：文档解析（Marker + OCR）异步执行，结果缓存到 R2 对象存储。即使后续更换 Embedding 模型或向量库，也无需重新解析源文件。
• Chonkie 智能分块：以句子和段落为自然边界进行分块，支持表格、代码块、图片的专用分块器，保留文档结构信息。
• Trigger.dev 作业编排：异步任务队列，支持失败重试和进度追踪。100 页 PDF 从上传到可检索 < 60 秒。

混合搜索与重排序

• 语义搜索：向量嵌入基于 text-embedding-3-large，在 Turbopuffer 中做近似最近邻（ANN）搜索。
• 关键词搜索：基于分块原文的 BM25-like 词汇匹配，确保专业术语（如"HIPAA"、"RAG"）在语义嵌入效果不佳时仍有精确命中。
• Cohere Rerank v4.0 重排序：对 Top-K 结果二次排序，进一步提升精度。官方 benchmark 显示在 HotpotQA 和 FinanceBench 上达到行业领先水平。

多租户与数据隔离

• Namespace 机制：每个知识库隔离为独立 Namespace，数据在向量库和对象存储层面物理或逻辑隔离。
• 元数据过滤：在检索时通过 metadata filter 限定数据范围（如只检索"2025 年 Q3 的销售报告"），实现细粒度权限控制。

如何使用

入口对照

接入方式	适用场景	快速入口
Web 控制台（Playground）	快速试用、调试检索效果、手动问答	https://app.agentset.ai/login
REST API	将 RAG 能力嵌入自有应用后端	https://docs.agentset.ai/api-reference/introduction
TypeScript SDK	Node.js/Next.js 项目集成	npm install agentset
Python SDK	Python 后端/数据科学项目集成	pip install agentset
MCP Server	供 Claude/Cursor/Copilot 等 MCP 客户端直接调用	详见文档
AI SDK (Vercel)	一行代码接入 Vercel AI SDK 框架	详见文档

3 分钟快速上手：TypeScript SDK 示例

import { Agentset } from "agentset";

const agentset = new Agentset({ apiKey: "<YOUR_API_KEY>" });
const namespace = agentset.namespace("ns_1234");

// 1. 上传文档
const ingestJob = await namespace.ingestion.create({
  payload: {
    type: "FILE",
    fileUrl: "https://example.com/document.pdf",
    fileName: "my-document.pdf",
  },
  config: {
    metadata: { department: "legal", year: "2026" },
  },
});

// 2. 等待解析完成（异步轮询）
await agentset.jobs.wait(ingestJob.id);

// 3. 检索问答
const answer = await namespace.search.chat({
  messages: [{ role: "user", content: "这份文档提到了哪些合规要求？" }],
});
console.log(answer.message.content);
// 答案自动附带了来源引用

MCP Server 接入（Claude Desktop 配置）

在 claude_desktop_config.json 中添加：

{
  "mcpServers": {
    "agentset": {
      "command": "npx",
      "args": ["-y", "@agentset/mcp-server"],
      "env": {
        "AGENTSET_API_KEY": "<YOUR_API_KEY>",
        "AGENTSET_NAMESPACE": "ns_1234"
      }
    }
  }
}

配置完成后，Claude 可直接通过 Agentset MCP 工具搜索知识库。MCP 暴露的 Tool 清单：

Tool 名称	功能描述	输入参数
agentset_search	语义/关键词检索知识库	query: string, topK、: number, filters、: object
agentset_retrieve	获取指定分块的完整内容	chunkId: string
agentset_list_namespaces	列出所有知识库分区	无

工程踩坑指南

1. Token 消耗与步数控制：Agentic Retrieval 的循有在复杂问题上可能执行 5–10 步工具调用，导致 Token 消耗激增。建议通过 maxSteps 参数限制检索 Agent 的最大迭代步数，并在循有中启用重复动作检测，避免同一查询反复执行。
2. 长文档上下文过载：当文档库包含大量 PDF（尤其是扫描版）时，OCR + 分块的组合可能产生远超预期的分块数量。建议在命名空间级别设置分页摘要策略，对大文档启用分层摘要（先摘要章节，再摘要全文），而非将所有分块喂入上下文。
3. 安全与越权治理：多租户场景下，Namespace 之间的数据隔离必须验证——确认向量库层面（而非仅应用层）做了物理隔离。对不可逆操作（删除 Namespace、批量重新索引）建议在 API 调用前设置二次确认或 dry-run 模式。

产品定价

定价模式总览

计划	月费	核心配额	适配合伙
Free	$0	1,000 页，10,000 检索，社区支持	个人项目PoC、原型验证
Pro	$49	10,000 页，不限检索，邮件支持	生产有境中小团队
Enterprise	商务报价	不限页数和检索，本地部署，SOC2/HIPAA/GDPR，SSO	合规要求高的企业

计费细节

• 页面计算：以每 1,000 字符解析文本为 1 页。实际 PDF 页数与计费页数可能不同（例如一页 PDF 若文字密集，可能折算为 1–3 计费页）。
• 连接器费用：Pro 计划 $100/个/月。连接器指外部数据源同步器（如 Google Drive、SharePoint、Notion），自动同步内容到知识库。
• 超出页数：Pro 计划 $0.01/页/月，按实际超量计费。
• 特殊政策：提供初创公司与非营利组织折扣，需联系 sales 提供组织信息。

与竞品定价对比

对比维度	Agentset Pro	Ragie Pro	Vectara Pro
月费	$49	$500	需联系销售
页面/容量	10,000 页	60,000 页	830 MB
超出单价	$0.01/页	$0.02/页	不透明
检索次数	不限	不限	83,000 次/月
开源选项	完全开源	闭源	闭源

数据来源：Agentset 官方定价页面及竞品对比页面（2026-07）。竞品价格可能变动，以各平台实时页面为准。

应用场景

降维打击场景

• 企业内部知识库问答：将产品手册、技术文档、合规政策上传至 Agentset，员工通过自然语言查询即可获取带来源引用的答案。相比传统关键词搜索，信息触达效率提升 3–5 倍。
• 法律文档审查：支持 300 万页级别的法律语料库，Agentic Search 在多条款交叉引用场景中显著优于关键词检索。Gyldendal Rettsdata 已用此构建了 AI 法律产品线。
• 医疗研究知识库：Mederva Health 将 Agentset 用于临床研究资料检索，Agentic Retrieval 确保答案在医疗场景的高可靠性需求下依然可追溯。
• 电商多模态搜索：商品图片、描述文档、用户评价等多格式数据统一入库，支持跨格式的语义检索。
• 金融合规审查：从 PDF、Excel、邮件等异构文档中提取监管要求，Deep Research 模式自动生成合规差异报告。

劝退/不适用场景

• 需要实时数据流处理：Agentset 面向文档知识库，不适合实时日志分析或事件流处理场景。
• 需要深度长文本生成：Agentset 是检索增强工具而非写作工具，不适合需要从零生成超长报告的场景。
• 纯聊天机器人：如果只需要一个简单的 FAQ 对话机器人，Agentset 的 RAG 架构可能过重，可直接使用 LLM 的上下文窗口。

适用人群

• 后端/全栈开发者：需要快速为现有应用嵌入 RAG 能力，不想自建解析→分块→向量化→检索全链路。TypeScript/Python SDK 和 REST API 可在一小时内完成集成。
• AI 应用产品团队：构建依赖企业知识库的 AI 功能（如 AI 客服、智能文档审查），需要生产级的检索精度和来源引用能力。
• 数据/ML 工程师：需要在不同 Embedding 模型LLM 和向量库之间做 A/B 测试和 Benchmark，Agentset 的模型无关架构提供了统一的对比平台。
• 合规与安全敏感型企业：需要 SOC2/HIPAA/GDPR 认证、本地部署选项和细粒度访问控制的企业组织。

前置条件 / 不适配边界

• 最低技术门槛：需具备基本的 API 调用能力（TypeScript/Python/curl）。纯业务人员在没有开发者支持下无法独立使用。
• 不适合极低延迟场景：Agentic Search 的多步推理带来 2–5 秒的响应延迟，不适合需要毫秒级响应的实时场景。
• 不适合超高吞吐场景：受限于 LLM 调用和向量检索的迭代循有，高峰期建议 Pro 或 Enterprise 计划以获取配额保障。

总结与展望

核心价值总结

Agentset.ai 定位精准——不做"万能 AI 平台"，而是专注解决生产级 RAG 落地这一个核心问题。它通过 Agentic Retrieval 循有、多格式文档解析和模型无关架构，将 RAG 系统的构建时间从"数周"压缩到"数小时"。

关键差异化：开源（MIT）实现完全可控Agentic 检索超越单次向量检索的精度瓶颈、$49/月的定价在同类中具备显著性价比优势。

当前限制与不确定项

• 长期维护活跃度：作为较新的开源项目（2024 年起步），其长期社区健康和贡献者增长仍需观察。
• 向量库绑定风险：默认使用 Turbopuffer，虽可替换但迁移路径的成熟度尚未充分验证。
• 多语种支持深度：中文等非英语语种的分块策略和检索精度尚未有公开 Benchmark，实际效果需自行测试。
• 企业级功能成熟度：SSO、RBAC、审计日志等企业功能仅在 Enterprise 计划中提供，Pro 计划的治理能力有限。

采购/采用风险评估

对于计划在 6–12 个月内上线 AI 知识库功能的团队，建议分三步推进：

1. PoC 阶段：使用 Free 计划（1,000 页 + 10,000 检索）验证核心场景的检索精度和延迟是否满足业务需求，重点测试多跳问答和跨文档检索场景。
2. 生产试点：升级至 Pro 计划（$49/月），关注超出页数费用是否在预算内。对合规有要求的企业在此阶段即应评估 Enterprise 计划。
3. 规模扩展：如果检索量持续增长且需要本地部署和合规认证，与销售沟通 Enterprise 报价。采购前需确认的关键条款包括：数据不会被用于模型二次训练SLA 承诺、数据导出/迁移的标准化工具。

版本信息

• Workflow Templates ：上线行业模板与流程市场，提升复用效率并缩短部署时间。 （2026-01）
• Public Beta ：提供首批低代码编排能力与基础连接器。 （2024-09）