RAG调研1-Onyx&Unstructured（无技术细节版）
正好要做市场竞品调研，个么正好，本来也需要学习下市面上新的一些技术方案，就简单先看一个两个RAG方案的供应商：Onyx 和 Unstructured。
一、调研摘要
| 维度 | Onyx | Unstructured |
|---|---|---|
| 成立时间 | 2023年 | 2022年 |
| 创始人 | 2位联合创始人（Chris Weaver, Yuhong Sun） | Brian Raymond（CEO） |
| 融资情况 | $10M Seed轮（Khosla Ventures + First Round + YC） | 未公开具体金额，注重快速商业化 |
| 团队规模 | 10-25人（估计） | 11-50人 |
| 客户数量 | "dozens of enterprise customers" | 65,000+组织（80%为《财富》1000强企业） |
| 客户画像 | 科技/信息密集型企业，具备 IT/平台团队，接受开源+自部署 | 企业AI团队、数据工程师（处理非结构化数据） |
| 产品形态 | 开源（Community）+ Cloud（Business $16/u/m）+ Enterprise | 开源库 + Serverless API + 企业级ETL平台 |
| 交付模式 | Cloud 为主，支持 Self-host（含 Air-gapped）与混合部署 | API优先 + 可视化UI + VPC部署 |
| 关键能力 | 40+ 数据源连接器、RAG（带来源的生成与权限过滤） | 非结构化数据→LLM-ready JSON，OCR/表格/图片增强 |
二、Onyx
1.客户群体
基于公开客户推断：
客户职能（基于连接器和用例权重）：
工程团队：Code Repo + Jira（~40%）
销售/客服：Salesforce + Zendesk + Ramp案例（~30%）
全员/运营：Slack + Drive + "Company Wide"（~30%）
垂类（基于公开客户）：
科技SaaS：Netflix、Bitwarden（多数）
金融科技：Ramp（核心案例）
安全/防务：Thales（企业级验证）
2.核心功能架构
Data Source（40+ Connectors） -> RAG（Hybrid + LangGraph） -> Agent（Web / Slack / API）
2.1 数据源连接器（40+）
| 分类 | 代表工具 | 场景 |
|---|---|---|
| Popular | Slack, Confluence, Notion, GitHub | 日常协作 |
| Knowledge Base | GitBook, Document360 | 文档查询 |
| Cloud Storage | Google Drive, S3, OCI | 文件检索 |
| Ticketing | Jira, Zendesk, Linear | 工单历史 |
| Messaging | Slack, Teams | 对话智慧 |
| Sales | Salesforce, HubSpot | 销售赋能 |
| Code Repo | GitHub, GitLab, Bitbucket | 工程知识 |
2.2 RAG 技术栈
- 数据采集 → 权限继承的统一索引
- Hybrid Search（BM25 + 向量 + Rerank）
- Agent Search（LangGraph 多步拆解）
- 生成+引用（带来源生成与权限过滤）
- 差异化：企业级权限过滤 + 多源平衡 + 观测闭环
2.3 Agent 平台
- Agent = 指令 + 知识源 + Actions（MCP/OpenAPI）
- Actions：Jira 创建工单、CRM 更新、OAuth 集成
- Agent Search：复杂问题 → 子任务 → 多源检索 → 聚合验证
- 子 Agent：按部门定制（Support Agent、Sales Agent 等）
3.交付三种模式
- Cloud：注册 → 连接数据源 → 使用（Business / Enterprise）
- Self-host：Kubernetes 部署，支持 Air-gapped
- 混合：客户 LLM + Onyx 检索/Agent
三、Unstructured
1.客户群体
客户职能分布
数据工程/AI平台团队：90%（数据清洗、RAG预处理）
业务分析：5%（合规、财务报表）
研发团队：5%（模型训练数据准备）
行业分布
金融/保险：30%（贷款单、理赔单、监管文件）
医疗：20%（病历、影像报告）
企业服务：20%（合同、HR文件）
政府/合规：15%（审计文件）
其他：15%
2.核心功能架构
2.1 文件处理流程
Input
Partition
把原始文件智能拆分成语义元素（Title、Paragraph、Table、Image等）
Cleaning
Enrichment（VLM）商业版才有！
用视觉模型增强：
图片描述：VLM生成"这张图是销售漏斗图"
生成式OCR：VLM修正传统OCR错误
表格→HTML：VLM识别表格结构，输出可读HTML
Chunking
Embedding
Staging（json、csv等）
preservation（向量数据库、s3等）
支持格式（40+）
| 分类 | 代表格式 | 典型场景 |
|---|---|---|
| 办公文档 | DOCX/PPTX/XLSX | 企业内部文件 |
| PDF/扫描件 | PDF/扫描OCR+布局解析 | 文档数字化 |
| 图片/多模态 | JPG/PNG/HEIC | 图片描述提取 |
| 邮件/网页 | EML/HTML/MSG | 通信记录解析 |
| 表格密集 | XLS/TSV/CSV→HTML | 结构化表格转换 |
| 特殊格式 | EPUB/RTF/ODT | 遗留文档处理 |
3.交付模式
Serverless API
按页付费：$0.0003-0.003/页
响应速度：10ms
Business SaaS
定价：$X/用户/月
功能：多用户协作 + 工作区管理
Dedicated VPC
适用场景：金融/医疗级安全需求
特点：私有云隔离
In-VPC自部署
模式：客户云上自主运行
优势：零供应商锁定
四、小小震撼
这两家都是技术驱动型的公司，而且都是"以点打面"的典范。Unstructured基本只做数据的解析；Onyx虽然Agent全流程都有，但Agent的workflow做得相当毛坯，但是在数据来源、RAG的召回方面做了很多的优化（有点像Cognition的风格）。两家体量都不大，但都在某个环节上做到了极致（好吧，说极致还太早，至少行业领先是肯定的）。这也一定是他们能快速崛起的最重要的原因之一。