Progress发布Agentic RAG新能力：用MCP与Teams把企业知识直接喂给智能体，无需重建现有系统

新闻原文

10月1日，纳斯达克上市公司、AI基础设施软件厂商Progress Software宣布对其Agentic RAG平台进行重大升级。Agentic RAG是一套面向AI智能体与大型语言模型的智能检索增强生成平台，通过共享的Agentic Knowledge Layer把企业知识连接到AI体验。本次发布包含三项新能力：原生Microsoft Teams应用、用于自主多步检索的Smart Agent，以及改善内容摄取质量与治理的WordPress插件。

过去，企业把AI智能体从简单聊天推向能规划、检索、跨系统行动时，复杂度急剧上升。工程团队往往要为智能体需要访问的每一个系统，编写并维护定制编排逻辑；而只依赖预先索引内容的智能体，常常返回不完整或过时的答案，还逼着员工在多个应用间反复切换找信息，拉低采用率与投资回报。

新版本提供两种互补方式把知识放到智能体背后：内容可经受治理的Knowledge Box预先摄取并保持持续同步，实现快速可信检索；同时，平台Smart Agent原生支持Model Context Protocol（MCP），让智能体在用户提问的那一刻访问实时业务系统与Web来源，无需复制数据，也无需为每个系统做定制集成。两者结合，把AI带进员工每天使用的工具，跨系统给出答案并保持时效，同时守住治理、避免昂贵重建。

通过Microsoft Store上架的Teams应用，把带来源引用的可信AI体验直接带进Teams聊天与频道，员工不离开现有协作流即可调用企业知识，且保留既有权限与治理控制；Smart Agent会规划查询、拆分子问题、跨Knowledge Box、MCP应用与Web来源检索并评估，直到收集到足够信息，减少了定制编排与路由逻辑；WordPress插件则保留内容结构、元数据和分类信息，提升检索质量与治理。既有客户无需重建索引或改动架构即可继承全部三项能力。

企服观察

企业知识分散在文档、工单、CRM、Wiki等几十个系统里，过去要把这些知识喂给智能体，要么把数据全量抽到一个向量库，要么为每个系统写一堆定制集成和编排逻辑。前者带来数据副本与同步滞后，后者是无穷的维护债。Progress把这两条路合二为一，是这次发布最务实的地方。

Knowledge Box做'预先摄取加持续同步'，适合稳定、高频被问的知识；MCP做'提问瞬间直连'，适合实时、易变的数据。把静态知识和实时系统分开处理，比强行用一种机制覆盖所有场景更稳，也避免了把所有数据先复制一遍的治理风险。

Teams应用是采用率的关键。再强的企业AI，如果员工得专门打开一个新平台才用得上，采纳率基本起不来。把带来源引用的可信回答直接放进员工每天泡在里面的Teams聊天和频道，等于把AI嵌进工作流本身，而不是加一道额外工序。

Smart Agent的多步检索值得认真看。它不是简单的关键词召回，而是会规划查询、拆子问题、跨多个知识源检索并自我评估，直到信息足够。这把原本要工程师手写的路由与编排逻辑，下沉成平台能力，团队不用再为每个业务系统维护一套胶水代码。

MCP的原生支持是更大的信号。当主流企业软件都开始把自家系统暴露成MCP server，智能体就能像插拔一样接入实时业务数据，而不必等厂商做点对点集成。Progress把MCP放进检索层，等于提前站到了'智能体即总线'的架构位置上。

WordPress插件的细节容易被忽略，但它直接关系到检索质量。保留内容结构、元数据和分类信息，意味着AI召回的不是一段孤零零的文本，而是带着上下文和归属的知识单元。对内容密集型组织，这种保真度比单纯多爬几个站重要得多。

对国内做知识管理与企服中台的厂商，启示很直接：别再只卷'接多少个模型'，要卷'知识怎么安全、保真、实时地流到智能体面前'。Knowledge Box加MCP的双轨、Teams级嵌入、内容结构保真，这三块是下一代企业知识智能体的标配。

落地建议：先把非敏感的文档与FAQ喂进Knowledge Box做试点，验证检索保真与权限继承；再挑一两个实时系统接MCP，看智能体能否在不复制数据的前提下答准。权限与治理必须和原有系统对齐，不能因为上了AI就放宽边界。

一句话总结：Agentic RAG把'企业知识'从一堆被锁在各系统里的孤岛，变成智能体可调用的共享层。谁先把这层做安全、做实时、做进员工日常工具，谁就拿到企业AI从聊天走向行动的关键门票。

从商业模式看，Progress的做法延续了老牌中间件厂商的转型路径：不抢模型，而是把模型周围的检索、治理、集成做成订阅产品。这类生意的特点是粘性强——知识一旦进了Knowledge Box、权限体系一旦对齐，客户很难迁走。对Progress来说，AI是给存量客户续命的抓手；对客户来说，用熟悉厂商的AI能力，比引入一堆新工具更省事。

风险也要提示：Agentic RAG的检索质量取决于知识源本身的治理水平。如果企业文档本身就是一堆过期、重复、口径不一的内容，智能体只会更快地把错误答案送到更多人面前。上这类平台之前，先做一轮知识清理与归口，比调任何参数都管用。垃圾进、垃圾出，在RAG时代只会被放大。

把这件事和近期Salesforce、MongoDB的智能体发布放在一起看，趋势已经很清晰：企业AI的竞争正在从'模型好不好'转向'知识怎么管'。谁能让智能体安全地读到正确、最新、有权限的知识，谁就能在企业AI的下一轮竞争里占位。检索层，正在成为比模型层更稳的生意。