RAGFlow实战指南:优化文档解析提升RAG系统性能,附完整代码与教程(建议收藏)

爆改RagFlow 中完成的,此方法会根据文件创建一个或多个异步任务,方便异步执行。进行触发的,实际的处理是在。 阅读详情

对于高专业性或企业级的知识问答应用,RAGFlow是各个开发团队的常用框架,它提供的工具链简化了从知识库搭建、向量检索到生成的RAG流水线开发。RAG这条务实的路径让LLM能实时查询私有知识库,显著提升回答相关性和可控性,避免直接调用LLM产生的知识更新慢、回答不准或数据安全风险。

构建健壮的RAG系统,尤其是企业级应用,涉及复杂组件集成与优化。如何在RAGFlow基础上实现性能优化,也成为大家关注的课题。

在这里插入图片描述

从RAG链路出发,首要关键因素即是文档解析的质量。解析输出的数据是AI应用的“基础燃料”,影响后续分块、检索和最终结果。而在应用RAGFlow框架时,其自研的DeepDoc解析算法表现经常不尽如人意。

如下图中,对于同一份文件的连续两页目录,DeepDoc将其中一页识别为正文,另一页识别为表格,这也导致了后续分块的错误。

图1

图2

在实际使用中发现的解析问题还包括:

  • 对学术论文等分栏文档,内容顺序存在错乱(如从左栏跳至右栏)
  • 深度嵌套表格或跨页合并单元格导致数据结构丢失
  • 标题层级识别错乱
  • 模糊、倾斜或阴影干扰的扫描件OCR错误率较高,书籍装订区附近的文字因弯曲变形无法识别

为了优化解析效果,避免文档中的关键信息在导入知识库时就发生损耗,我们采用了自定义解析工具的策略。

本文将说明文档解析工具的类型与适用性、TextIn的性能、在RAGFlow框架下使用自定义解析的方法、实战教程与完整代码。

在这里插入图片描述

了解文档解析工具

简单来说,文档解析工具的核心任务是将非结构化文档(如PDF、图片、扫描件)中的文本、表格、图片等内容识别并提取出来,转化为结构化数据以供机器处理和分析。从社区或商业化、使用方法上,可以区分几种类型:

是否开源

  1. 文档解析工具可分为开源和闭源两大类,它们在开放性、可控性、成本和功能深度上存在着差异。开源工具如PyMuPDF、MinerU、Marker等,商业化产品例如本文实战应用中使用的TextIn xParse。

  2. 开源产品的优势在于:1、最为显然的,用户不需要支付软件许可费用。2、高透明度,且可以根据自身需求自由修改、扩展源代码。3、活跃的开源社区可以贡献代码、修复漏洞、提供支持,加速工具的发展和问题解决。

另一方面,其劣势主要体现在:1、技术门槛高:需要具备相当的开发、运维和系统集成能力才能有效部署、配置、定制和维护,对非技术团队或资源有限的组织挑战较大。2、集成与维护负担:用户需自行解决依赖关系、环境配置、版本升级、性能调优、安全补丁等运维工作,耗费时间和人力。3、专业支持有限:主要依赖社区支持,响应速度和问题解决的专业性、保障性通常不如商业闭源产品的官方支持。4、特定场景功能不足:针对特定行业场景(例如复杂的财务表格、医疗报告结构化)的预训练模型或精细化处理能力,可能不如成熟的商业闭源产品。

商业化产品的劣势在于使用成本与低透明度(用户无法直接修改核心代码)。而优势则包括:1、开箱即用,易于集成:通常提供完善的前端界面、软件开发工具包(SDK)、清晰的文档和示例,集成相对简单快捷,使用技术门槛低。2、专业支持与服务:提供专业的技术支持、问题响应、培训服务,减轻用户运维负担。3、深度优化与特定功能:厂商投入大量资源进行核心算法研发、模型训练(尤其在特定领域如法律合同、医学文献、复杂表格识别)和性能优化,往往在精度、特定场景覆盖和功能深度上具备优势。4、持续更新与维护: 专业厂商负责产品的迭代更新、功能增强、漏洞修复和性能优化,用户无需操心底层技术细节。

API调用 vs. 本地部署

在使用方法这个维度,主要有API调用和本地化部署两类,特点如下:

API调用方法便于:1、快速启动,零运维: 无需购置、配置和管理服务器基础设施,注册账号、获取API密钥即可立即使用,大幅缩短上线时间。2、持续获取最新能力: 用户自动获得供应商发布的最新模型、功能和性能优化,无需手动升级。3、降低初始投入: 通常按需付费,避免了前期高昂的硬件和软件许可投资。

但同时,风险项在于:1、不符合部分企业的数据安全要求。2、解析速度和稳定性受网络状况影响。3、 API提供的是标准化的功能接口,功能定制相对受限。

本地部署模式能够保障:1、数据安全与合规性: 文档数据完全保留在用户自己的基础设施(如私有云、数据中心)内部处理,最大程度降低数据风险,更容易满足严格的合规和监管要求。2、性能与延迟可控: 处理过程在本地网络进行,不受公网质量影响,通常延迟更低。对于超大文件或批处理,本地资源更可控。

而其劣势体现在:1、高初始投入与运维负担: 需采购、配置和维护服务器硬件、存储、网络以及软件环境(包括可能的GPU资源),需要专业的IT运维团队。2、部署复杂,上线周期长: 安装、配置、测试和优化本地部署的解决方案需要较长时间和专业知识。3、更新滞后: 用户需要主动关注并手动执行版本升级来获取新功能和修复,过程可能繁琐且存在兼容性风险。

总体来说,最佳选择往往取决于具体需求和资源情况。这一期RAGFlow实战演示中,我们对复杂文档的解析精度有较高要求,同时考虑调用便捷程度,选择了TextIn xParse,支持直接API调用。

TextIn xParse

聊一下为何选择TextIn。

TextIn xParse文档解析是一款大模型友好的解析工具,能够精准还原pdf、word、excel、ppt、图片等十余种格式的非结构化文件,将其快速转换为Markdown或JSON格式返回,同时包含精确的页面元素和坐标信息。支持识别文本、图像、表格、公式、手写体、表单字段、页眉页脚等各种元素,并支持印章、二维码、条形码等子类型,能满足绝大部分复杂文档的解析需求。

根据官方文档,核心能力包括:

  • 多种版面元素高精度解析:精准识别标题、公式、图表、手写体、印章、页眉页脚、跨页段落,实现高精度坐标还原,并捕捉版面元素间的语义关系,提升大模型应用表现。
  • 行业领先的表格识别能力:轻松解决合并单元格、跨页表格、无线表格、密集表格等识别难题。
  • 阅读顺序还原准:理解、还原文档结构和元素排列,确保阅读顺序的准确性,支持多栏布局的论文、年报、业务报告等。
  • 自研文档树引擎:基于语义提取段落embedding值,预测标题层级关系,通过构造文档树提高检索召回效果。
  • 支持多种扫描内容:能良好处理各类图片与扫描文档,包括手机照片、截屏等内容。
  • 支持多种语言:支持简体中文/繁体中文/英文/数字/西欧主流语言/东欧主流语言等共50+种语言。
  • 集成强大的图像处理能力:文件带水印、图片有弯曲,都能一键解决,排除图像质量干扰。
  • 开发者友好:提供清晰的API文档和灵活的集成方式,包括MCP Server、Coze、Dify插件,支持FastGPT、CherryStudio、Cursor等主流平台。

实际的解析效果可以通过一些样本实测初步判断。对于不同的文档集,文档解析工具的效果可能有所差异,大家在调用之前也可在官网上用免费额度测一下自己的样本:https://cc.co/16YSWs

密集少线表格识别效果很好,官网前端支持选中表格并在原图上显示模型预测的单元格(TextIn这套前端工具已经开源了,项目地址:https://github.com/intsig-textin/textin-ocr-frontend)。

跨页表格合并效果好,也能精准识别页眉页脚。

多栏学术论文的阅读顺序还原很准确。

对于没有精确数值标注的图表,会通过测量给出预估数值;这个功能对金融分析类工作会很有帮助。

TextIn解析内置有图像处理算法,能解决弯折、倾斜、阴影、模糊这些常见的图像质量问题。

RAGFlow+TextIn知识库构建方法

要在RAG流程中实现自定义解析,我们可以考虑两种方案,便捷程度和效果有所差异,下面具体讨论:

方法1:解析后上传知识库

较为简易的方案,直接调用自定义解析接口,解析完成后通过API导入RAGFlow知识库。

可以在导入后使用RAGFlow分块策略,也可自行完成Chunking后输入知识库。

这种方法最大的好处在于简便快捷,但由于RAGFlow的API导入有一定缺陷,会产生上传信息不完整(如缺少图片、位置信息)、分块顺序紊乱等问题,因而在知识库预览时也无法联动PDF源文件位置,快速进行对应查看和校对。

如下图3是解析后上传知识库的效果图,图4是在RAGFlow框架内完成解析后的效果,对比可以看到差异。

图3

图4

因此,该方案适合少量文件补充处理,如果要建立更完善的知识库搭建全流程,我们还需要另寻他法。

方法2:修改RAGFlow代码改变解析策略

通过代码修改,我们能从结构上改变解析策略,也能够解决方法1中的不适配问题,实现更彻底的流程搭建。下面,我们来看具体的实战教程,如何快速实现解析方法替换。

1分钟实战教程

1、启动服务(测试的镜像版本为 infiniflow/ragflow:v0.20.1 )

docker compose -f docker-compose-gpu.yml up -d

2、textin.com获取 app-id和secret-code信息

3、替换镜像中的 /ragflow/rag/app/naive.py 文件 (注意修改438行、439行的 x-ti-app-id 和 x-ti-secret-code)

完整代码文件地址:

https://dllf.textin.com/download/2025/CustomService/naive.py

docker cp naive.py ragflow-server:/ragflow/rag/app/naive.py

4、重启服务

docker compose restart

进阶方案详解

我们来详细解读方案逻辑。

首先,需要厘清Ragflow的解析分块过程。

流程源码路径清单总览

解析和分块代码分析

以native分块策略,调用DeepDOC解析PDF文件为例,对应的源码路径为ragflow/rag/app/naive.py。

首先调用PDF解析器:

class Pdf(PdfParser):      def __init__(self):      def __call__(self, filename, binary=None, from_page=0,                   to_page=100000, zoomin=3, callback=None, separate_tables_figures=False):          start = timer()          first_start = start          callback(msg="OCR started")          # ocr识别        self.__images__(              filename if not binary else binary,              zoomin,              from_page,              to_page,              callback          )          callback(msg="OCR finished ({:.2f}s)".format(timer() - start))          start = timer()          # 布局分析 识别标题/段落等层级        self._layouts_rec(zoomin)          callback(0.63, "Layout analysis ({:.2f}s)".format(timer() - start))          start = timer()          # 使用 transformer 进行表格检测与识别        self._table_transformer_job(zoomin)          callback(0.65, "Table analysis ({:.2f}s)".format(timer() - start))          start = timer()          self._text_merge()          callback(0.67, "Text merged ({:.2f}s)".format(timer() - start))          # 是否分离表格和图形          if separate_tables_figures:              tbls, figures = self._extract_table_figure(True, zoomin, True, True, True)              self._concat_downward()              logging.info("layouts cost: {}s".format(timer() - first_start))              # 返回文本块+表格+图形              return [(b["text"], self._line_tag(b, zoomin)) for b in self.boxes], tbls, figures          else:              tbls = self._extract_table_figure(True, zoomin, True, True)              # self._naive_vertical_merge()              self._concat_downward()              # self._filter_forpages()              logging.info("layouts cost: {}s".format(timer() - first_start))              return [(b["text"], self._line_tag(b, zoomin)) for b in self.boxes], tbls

pdf解析器返回的数据结构:

后续将调用以下两个方法,分别处理段落和表格的分块:

  • res = tokenize_table(tables, doc, is_english):处理表格分块
  • res.extend(tokenize_chunks_with_images(chunks, doc, is_english, images)):处理文本段落分块

分块逻辑位于ragflow/rag/nlp,整体策略如下:

  • 优先结构分块
  • 基于章节的层级关系(如标题编号、目录结构)划分文本。
  • 提取结构化标题作为内容边界,实现更合理的语义组织。
  • 结构不足时退化为语义分块
  • 使用标点符(如。?!;)切分内容。
  • 自动组合短句,控制每块文本token数量接近预设值,避免碎片或过长。
  • 图文与表格信息补充
  • 表格内容按行或批次合并为一个文本块。
  • 每个块附带原始图像(PIL.Image)及位置信息(页码与坐标)。
  • 文本块可拼接多个图像,支持图文联合处理,提升展示效果。

chunk分块返回的数据结构:

通过分析解析分块过程,只需要构造对应的数据结构和修改相应的代码,就可以替换解析和分块。

将DeepDoc解析替换为TextIn解析

1、跳过版面分析

修改文件/ragflow/rag/app/naive.py,修改PDF类的call方法提前返回,仅保留对images的调用。

classPdf(PdfParser):def__init__(self):super().__init__()def__call__(self, filename, binary=None, from_page=0,                 to_page=100000, zoomin=3, callback=None, separate_tables_figures=False):        start = timer()        first_start = start        callback(msg="OCR started")        self.__images__(            filename ifnot binary else binary,            zoomin,            from_page,            to_page,            callback        )        callback(msg="OCR finished ({:.2f}s)".format(timer() - start))        logging.info("OCR({}~{}): {:.2f}s".format(from_page, to_page, timer() - start))return [], [] # 提前结束返回

2、跳过OCR识别(该操作会影响块保存的截图,不影响定位到原文档,也可不跳过)

修改文件/ragflow/deepdoc/parser/pdf_parser.py,保留前面通过pypdf获取文本判断是否为英文文档的部分,只跳过OCR识别。

asyncdef__img_ocr(i, id, img, chars, limiter):return# 提前结束返回

3、将解析部分替换为TextIn调用

修改文件/ragflow/rag/app/naive.py,修改chunk函数if layout_recognizer == "DeepDOC":分支下的代码。

if layout_recognizer == "DeepDOC":    pdf_parser = Pdf()# 下面是替换的代码import jsonimport requests    sections, tables = pdf_parser(filename ifnot binary else binary, from_page=from_page, to_page=to_page, callback=callback)    headers = {'x-ti-app-id': '***','x-ti-secret-code': '***','Content-Type': 'application/octet-stream'    }# 这里不需要latex格式的公式,formula_level设为2    result = requests.post('https://api.textin.com/ai/service/v1/pdf_to_markdown',        data=binary,        headers=headers,        params = {'paratext_mode': 'none','formula_level': 2,'page_start': from_page + 1,'page_count': to_page - from_page        }    )    json_data = result.json()    detail = json_data.get('result', {}).get('detail', {})    sections=[]    tables=[]for item in detail:        page_id = item.get('page_id')        text = item.get('text')        text = re.sub(r'\*\*(.+?)\*\*', r'\1', text)    # 去除加粗格式,例如 **text** → text        text = re.sub(r'\*(.+?)\*', r'\1', text)        # 去除斜体格式,例如 *text* → text        text = re.sub(r'_(.+?)_', r'\1', text)          # 去除下划线斜体格式,例如 _text_ → text        text = re.sub(r'!\[.*?\]\((.*?)\)', '', text)   # 删除图片标记,例如 ![alt](url) → 空type = item.get('type')        sub_type = item.get('sub_type')        position = item.get('position')        x0, y0, x1, y1  = position[0]/2.0, position[1]/2.0, position[4]/2.0, position[5]/2.0# TextIn解析默认ppi 144, DeepDOC默认ppi 72iftype == 'paragraph':if sub_type notin ['text', 'text_title', 'table_title', 'sidebar']: # 按需保留需要的类型continue            sections.append((text, f'@@{page_id - from_page}\t{x0}\t{x1}\t{y0}\t{y1}##'))eliftype == 'table':            text = text.replace('<br>', '') # 按需处理文本,这里移除表格单元格内的换行符            text = text.replace('border="1"', '')            tables.append(((None, text), [(page_id-1, x0, x1, y0, y1)]))    callback(0.6, "TextIn parsing")# 上面是替换的代码    res = tokenize_table(tables, doc, is_english)    callback(0.8, "Finish parsing.")

解析效果对比

从知识库查看分块结果,可以明显看出解析效果提升,文本和表格识别准确率提高。

DeepDoc解析分段结果

TextIn解析分段结果

如图可以看到,DeepDoc将行间距较大的文本、小标题识别为表格,这也影响了后续的分段。TextIn能够准确识别标题、段落,使系统获得完整的结构信息,实现更合理分段。

DeepDoc解析分段结果

TextIn解析分段结果

如上图所示,DeepDoc解析未能准确识别表格,而表格是文档中数据密集的所在,往往含有关键信息,准确的表格识别对RAG问答性能有相当大的影响。TextIn解析后的分段实现了准确、完整的语义提取。

写在最后

RAG优化方案进一步探讨

RAG系统的优化是一项环环相扣的工程。优质的文档解析结果提供了系统运行的基础,接下来,切片也是影响RAG能力的重要因素。

切片策略目前业界也有很多思考,其实际应用受制于输入的结构化文件、上下文窗口长度等因素。我们在此提出一些可能性,与大家一起探讨:

  1. 保留文档结构:通过目录树(Root/Heading/Text/Table等节点)维护标题层级关系和语义上下文,实现标题层级递归切片,保留文档内在逻辑结构的完整性。
  2. 动态处理长内容:超长文本/表格按固定窗口切分,标题节点合并子内容。
  3. 优化检索效率:以最小内容单元(子段落)作为检索主体,提升匹配精度。

总结

本文介绍了基于RAGFlow自定义解析工具的实战经验,通过优化文档解析环节,提升RAG系统整体性能。 高质量的文档解析对RAG应用性能的影响已经得到验证:它决定了知识被结构化、理解和检索的效率。之后我们将持续关注企业级RAG应用的效能的提升,探索更优的语义理解、结果精炼策略。

普通人如何抓住AI大模型的风口?

领取方式在文末

为什么要学习大模型?

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 , 大模型作为其中的重要组成部分 , 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力, 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ,为各行各业带来了革命性的改变和机遇 。

目前,开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景,其中,应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
在这里插入图片描述

随着AI大模型技术的迅速发展,相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业:
在这里插入图片描述

人工智能大潮已来,不加入就可能被淘汰。如果你是技术人,尤其是互联网从业者,现在就开始学习AI大模型技术,真的是给你的人生一个重要建议!

最后

只要你真心想学习AI大模型技术,这份精心整理的学习资料我愿意无偿分享给你,但是想学技术去乱搞的人别来找我!

在当前这个人工智能高速发展的时代,AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长,真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料,能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

在这里插入图片描述

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来,我们不断打磨课程体系与技术内容,在细节上精益求精,同时在技术层面也新增了许多前沿且实用的内容,力求为大家带来更系统、更实战、更落地的大模型学习体验。

图片

希望这份系统、实用的大模型学习路径,能够帮助你从零入门,进阶到实战,真正掌握AI时代的核心技能!

01 教学内容

图片

  • 从零到精通完整闭环:【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块,内容比传统教材更贴近企业实战!

  • 大量真实项目案例: 带你亲自上手搞数据清洗、模型调优这些硬核操作,把课本知识变成真本事‌!

02适学人群

应届毕业生‌: 无工作经验但想要系统学习AI大模型技术,期待通过实战项目掌握核心技术。

零基础转型‌: 非技术背景但关注AI应用场景,计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈: 传统开发者(Java/前端等)学习Transformer架构与LangChain框架,向AI全栈工程师转型‌。

image.png

vx扫描下方二维码即可
在这里插入图片描述

本教程比较珍贵,仅限大家自行学习,不要传播!更严禁商用!

03 入门到进阶学习路线图

大模型学习路线图,整体分为5个大的阶段:
图片

04 视频和书籍PDF合集

图片

从0到掌握主流大模型技术视频教程(涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向)

图片

新手必备的大模型学习PDF书单来了!全是硬核知识,帮你少走弯路(不吹牛,真有用)
图片

05 行业报告+白皮书合集

收集70+报告与白皮书,了解行业最新动态!
图片

06 90+份面试题/经验

AI大模型岗位面试经验总结(谁学技术不是为了赚$呢,找个好的岗位很重要)图片
在这里插入图片描述

07 deepseek部署包+技巧大全

在这里插入图片描述

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

在这里插入图片描述

RAGflow详解及实战指南 《RAGflow:企业级检索增强生成引擎技术解析与实践指南》 摘要:RAGflow是一款开源企业级RAG引擎,通过融合多模态文档解析、混合检索与大语言模型生成能力,解决非结构化数据处理难题。其核心技术采用“检索+生成”双轮驱动模式,分层架构支持模块化扩展,具备90%+的复杂文档识别准确率和40%的响应速度提升。指南详细解析了其在知识库搭建、智能客服、金融分析、设备维保等场景的落地实践,并提供了本地部署流程与性能优化技巧(如动态分块策略、混合检索权重调优)。典型企业案例显示故障诊断准确率提升20%,报告生成效 阅读详情

相关推荐

Ragflow技术栈分析及二次开发指南

Ragflow是目前团队化部署大模型+RAG的优质方案,不过其仍不适合直接部署使用,本文将从实际使用的角度,对其进行二次开发

兴趣使然的创作者 1万+

实现RAGFlow-0.14.1的输入框多行输入和消息框的多行显示

虽然对话的多行输入没有问题了,对话chat上的消息显示没有跟随输入分行,只是将分行的地方加了一个空格,显得很怪异,现在将chat的消息显示也适配一下多行。我使用MacBook Pro,chip 是 Apple M3 Pro,Memory是18GB,macOS是 Sonoma 14.6.1。目前RAGFlow前端的chat功能,输入的内容是单行的,不能主动使用Shift+Enter实现分行。要实现消息内容中的换行处理,确保用户输入的内容能够正确地显示多行,我们需要确保在。中,可以看到消息输入功能是通过。

weixin_56460049的博客 2377

RAGFlow部署实战:从文档解析到知识库问答的完整指南

检索增强生成(RAG)在大模型应用落地中扮演着关键角色,尤其在长上下文时代,如何高效、准确地从私有知识库中获取信息成为核心挑战。文档解析质量直接决定知识库问答的上限,而回答的引用溯源能力则关乎系统可信度。本文从RAG基础原理出发,分析深度文档理解、分块模板、混合检索与重排序等技术机制,并介绍如何通过RAGFlow这一开源引擎实现企业级知识库问答。结合本地化部署流程,梳理了安装配置、模型接入、知识库搭建与问题排查的完整路径,帮助工程师在复杂文档场景下构建可解释、可追溯的问答系统。

weixin_34195546的博客 1132

AI实战:深度构建基于RAGFlow本地知识库与定制化大模型的私有化应用实战

在 RAGFlow 中,检索模块和生成模块协同工作。首先,通过检索模块从知识库中挑选出与问题高度相关的内容,形成上下文,然后由生成模块处理这些内容并生成富有逻辑和背景的回答。此结构结合了多任务学习、深度学习等技术,通过复杂架构实现内容的自动化生成。

2401_85328934的博客 1890

【企业RAG技术实战】基于RAGFlow的大型语言模型环境配置与应用实践

内容概要:本文档《企业RAG技术实战.pdf》详细介绍了RAG(Retrieval-Augmented Generation)技术及其在大型语言模型中的应用。首先概述了RAG的基本概念和相关调查研究,提供了GitHub项目链接作为进一步学习的资源。接着重点讲解了RAGFlow项目的安装与配置,包括WSL、Docker环境的搭建,以及如何通过Git克隆项目并启动服务。文档还探讨了使用不同模型(如OpenAI、通义千问、Ollama)的方法,以及如何准备数据、构建知识库,并实现问答系统的具体步骤。此外,文档深入讨论了高级RAG技术,如模块化RAG、重写-检索-阅读(RRR)、条件模式、迭代和递归检索等。最后,文档介绍了RAG的效果评估方法,包括常用的评估工具和指标,如Ragas、TruLens、Llama-Index等。 适合人群:对RAG技术感兴趣的企业开发者和技术人员,尤其是那些希望将RAG应用于实际项目中的专业人士。 使用场景及目标:①掌握RAG技术的基础理论和实践方法;②学会搭建和配置RAGFlow项目,包括环境设置和模型选择;③了解如何构建知识库并实现问答系统;④熟悉RAG的高级技术和应用场景,如模块化RAG、RRR、条件模式等;⑤掌握RAG效果评估的方法和工具,确保系统的性能和可靠性。 其他说明:文档提供了丰富的代码示例和详细的配置指南,帮助读者更好地理解和应用RAG技术。同时,文档还附带了多个GitHub项目链接,方便读者获取更多资源和支持。

AGM Supra软件从零到一:国产CPLD工程创建全流程实战解析

本文详细解析了AGM Supra软件在国产CPLD开发中的全流程实战操作,从工程创建到代码开发、编译调试,再到高级技巧与疑难排解。特别对比了Supra与Quartus的差异,提供了工程路径管理、Quartus项目转换、HDL代码规范等实用技巧,帮助开发者高效完成CPLD项目开发。

weixin_29193259的博客 507

RAGFlow实战指南:优化文档解析提升RAG系统性能 | 程序员必学收藏

本文介绍在RAGFlow框架中如何使用TextIn替代DeepDoc优化文档解析效果。通过分析两种解析工具的优劣,提供实战教程和代码示例,解决分块错误、表格识别不准确等问题。高质量的文档解析能显著提升RAG系统的知识检索和问答性能,是企业级应用的重要优化方向。

2401_85325726的博客 1024

【新华三】通过路由复制实现Public与VRF路由互通

如上图所示,S6900设备里有两张表,一张是public路由表,默认所有的路由都存放在public路由表里;除此之外还创建了VRF test,因此此设备还有VRF test路由表。通过路由复制实现Public路由和VRF路由互通,默认情况下VRF里的路由单独一张路由表,默认情况下与public路由表相互隔离,两张表之间不可互访。此时的public路由表里面并没有test的路由表。public路由表与VRF路由表之间相互隔离。此时VRF test里的路由也没有其他VRF或Public里的路由,相互隔离。

五大连池的镜子 5285

【收藏级干货】提升RAG系统性能:RAGFlow中自定义解析工具完全指南

本文详细介绍了在RAGFlow框架中优化文档解析的实战经验,对比分析了开源与商业化解析工具的优缺点,选择TextIn xParse作为替代方案。文章提供了两种集成方法,重点讲解了如何修改RAGFlow代码实现解析策略替换,并通过代码示例展示了从DeepDoc到TextIn的解析效果显著提升,为企业级RAG系统性能优化提供了实用解决方案。

2401_85375186的博客 1775

如何编写 Skill 实现自动化用例生成

Skill 本质上是一组结构化的指令和工具定义,它告诉 AI 模型在特定场景下应该遵循什么流程、调用哪些工具、输出什么格式的内容。元信息:名称、描述、版本等。指令(Instructions):定义 AI 的行为准则和任务流程。工具(Tools):AI 可以调用的外部能力,如文件读写、代码执行、API 请求等。上下文(Context):预设的输入输出格式或示例。编写一个用于自动生成测试用例的 Skill,核心在于定义清晰的指令流程和输出规范。

Cesare的博客 2720

USB HID虚拟电池:Windows零驱动电源状态模拟方案

虚拟电池是一种在硬件测试与功耗分析中替代真实电池、实现可控电源状态注入的关键技术。其核心原理是通过标准USB HID协议(特别是UPS设备类)向操作系统上报可编程的AC/DC状态、剩余电量、容量参数等,绕过内核驱动限制,达成毫秒级响应与跨Windows版本兼容。该技术显著提升SoC能效验证、电池健康度校准及低电量行为触发等场景的可重复性与精度。本文基于CH554微控制器实现符合HID UPS规范的物理层虚拟电池设备,支持零驱动安装、USB原生识别与实时参数调控,适用于笔记本平台功耗建模、电源管理策略验证及自

weixin_35755188的博客 355

【RAG 进阶实战】如何用 Ragflow + TextIn 提升文档解析精度与 RAG 整体性能?

文章介绍了如何在RAGFlow框架中优化文档解析性能,通过使用TextIn xParse替代自带的DeepDoc解析器。详细比较了不同解析工具的优劣,提供了两种集成方案,并给出了完整的代码实现。实战表明,优化的文档解析能显著提升知识库质量,改善RAG系统的问答性能,特别对复杂表格和多栏文档的识别效果明显。

2401_85373691的博客 1174

基于Simulink的PMSM轮毂电机崎岖路面悬架协同控制仿真

本文完成了基于Simulink的PMSM轮毂电机崎岖路面悬架协同控制仿真,实现了:✅ 构建了四轮独立驱动+主动悬架高保真整车模型✅ 实现了Skyhook主动悬架控制✅ 设计了驱动-悬架状态共享与协同决策机制✅ 验证了5 m/s高速下连续颠簸路面稳定通过能力✅ 为高性能移动机器人提供一体化底盘解决方案。

xiaoheshang_123的博客 190

RAGFlow:基于OCR和文档解析的下一代 RAG 引擎

在对 RAGFlow 的探索中,我们可以清晰地看到其在RAG(Retrieval-Augmented Generation)领域中的重要地位和显著优势。RAGFlow作为一款下一代开源RAG引擎,不仅在问答对话方面表现出色,还具备高级内容生成的能力,例如长文生成等。这使得RAGFlow能够为用户提供更为全面和深入的服务,满足不同场景下的需求,尤其在企业级应用中发挥着重要作用。

FrenzyTechAI的博客 4万+

用 ABAP CDS 把树建起来:Hierarchy 的建模、调试与消费全流程

CDS Hierarchy 将树形数据结构作为一等公民引入 ABAP 开发,通过定义父子关联、根节点条件和兄弟排序规则,让数据库原生支持层级查询。相比传统递归处理方式,它能避免性能瓶颈,提供$node系统字段描述节点结构信息,并支持与SAP UI框架无缝集成。这种方法简化了组织架构、成本中心等业务场景的层级数据处理,使开发人员能够专注于业务逻辑而非底层实现。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 210

YOLOv11涨点改进| Kimi团队 2026 |独家创新首发、注意力改进篇|爆火AttnRes残差自注意力模块,含多种创新改进,借助残差思想,缓解细节信息在传播过程中被稀释,促进YOLOv11涨点

🔥本文提出AttnRes残差自注意力模块,通过深度维度的注意力加权机制替代传统固定残差累加方式,使YOLOv11网络能自适应选择更有价值的历史层特征进行聚合。该方法缓解了浅层细节信息在深层传播过程中被稀释的问题,有效融合浅层纹理与深层语义特征,提升小目标、密集目标和复杂场景的检测能力。AttnRes还改善了深层网络的梯度分布与训练稳定性,增强模型收敛质量和泛化能力。实验表明,该模块能以较小计算开销显著提升YOLOv11的特征表达能力、检测精度和整体鲁棒性。文中详细介绍了模块结构、实现原理、优势特点

Ai缝合怪、助力小伙伴高效发论文 128

RAGFlow文档解析优化实战:使用TextIn xParse提升大模型RAG系统性能,收藏必学!

本文详细介绍了RAGFlow框架中文档解析环节的优化方法,针对其自带的DeepDoc解析工具存在的局限性,提出了使用TextIn xParse替代方案。文章对比了开源与商业解析工具的优劣,提供了两种集成方案及详细代码实现,并通过实际案例验证了优化后的解析效果显著提升,特别是在表格识别、多栏文档处理等方面。这为构建高性能企业级RAG系统提供了实用参考。

weixin_72959097的博客 998

华为OD机试新系统真题【字符串压缩编码】

华为OD机试 新系统真题【字符串压缩编码】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。华为OD机试真题【字符串压缩编码】多语言题解

qq_45776114的博客 357

【万字长文】企业级RAG系统构建:RAGFlow文档解析优化与TextIn集成实战(附完整代码)

本文详细介绍了在RAGFlow框架中优化文档解析的实战经验,通过将自带的DeepDoc解析工具替换为更高效的TextIn解析工具,解决了多栏文档顺序错乱、表格识别错误、标题层级混乱等问题。文章提供了两种集成方案和完整代码实现,展示了优化后的解析效果显著提升,为构建高质量RAG系统提供了可靠的基础。

2401_85390073的博客 1296

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

大模型知识库优化秘籍:RAGFlow+TextIn提升文档解析性能实战

本文介绍了提升RAG系统性能的两种文档解析方法,重点对比开源与商业化工具的优劣。TextIn xParse凭借高精度解析、行业领先的表格识别和阅读顺序还原能力脱颖而出。文章详细演示了在RAGFlow框架中集成自定义解析工具的两种方案:直接上传解析结果或修改代码实现深度集成,后者能更好地保留文档结构信息。通过实际案例展示了优化解析环节对提升知识库质量和问答效果的关键作用。

优快云_224022的博客 1389

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

RAGFlow+TextIn:RAG实战教程!1分钟实现解析性能提升

文档解析是一款大模型友好的解析工具,能够精准还原pdf、word、excel、ppt、图片等十余种格式的非结构化文件,将其快速转换为Markdown或JSON格式返回,同时包含精确的页面元素和坐标信息。支持识别文本、图像、表格、公式、手写体、表单字段、页眉页脚等各种元素,并支持印章、二维码、条形码等子类型,能满足绝大部分复杂文档的解析需求。2、解析速度和稳定性受网络状况影响。:精准识别标题、公式、图表、手写体、印章、页眉页脚、跨页段落,实现高精度坐标还原,并捕捉版面元素间的语义关系,提升大模型应用表现。

TextIn智能文档云平台的官方博客 1285

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

RAGFlow 完整架构解析与核心代码实战(含项目优化指南)

RAG(Retrieval-Augmented Generation)作为大模型落地的核心技术,解决了LLM幻觉、知识时效性等关键问题。而RAGFlow作为基于深度文档理解的开源RAG引擎,凭借一体化架构、高性能检索和灵活扩展能力,成为企业级RAG落地的优选方案。本文将从架构拆解、核心代码、实战示例到项目优化,全方位解析RAGFlow,帮你快速上手并应用到实际项目中。📌 本文核心内容:RAGFlow 完整架构拆解(从文档采集到结果返回)各核心模块代码实战(分块、向量化、检索、Rerank)

向往有那么一天梦幻的步态识别落地,开花❀! 1772

Ragflow + 高精度文档解析:构建高性能 RAG 知识库的实战方案

本文针对RAGFlow框架中DeepDoc解析工具的局限性,提出使用TextIn xParse进行优化的解决方案。通过对比分析不同类型文档解析工具的特点,作者详细介绍了在RAGFlow中集成TextIn xParse的两种方法:解析后上传和代码修改。实战教程展示了如何替换解析策略,并通过效果对比验证了TextIn xParse在复杂文档解析上的显著优势,为提升RAG系统性能提供了实用参考。

2401_84815887的博客 1127

【程序员必藏】RAGFlow文档解析优化实战:提升大模型知识库构建质量

本文详细介绍了在RAGFlow框架中优化文档解析的实战方案。针对RAGFlow自带的DeepDoc解析算法在处理复杂文档时存在的识别问题,作者介绍了TextIn xParse等文档解析工具的优势,并提供了两种在RAGFlow中使用自定义解析的方法。通过详细代码演示,展示了如何将DeepDoc解析替换为TextIn解析,实现更精准的文本、表格识别和文档结构还原,从而提升RAG系统整体性能。文末还探讨了RAG系统的进一步优化方向,包括切片策略等。

2401_84815887的博客 1210

Ragflow+TextIn实战教程:AI解析与OCR优化,打造高性能RAG系统!

RAGFlow作为企业级知识问答应用的开发框架,通过简化RAG(检索增强生成)流水线开发,显著提升了LLM查询私有知识库的效率和安全性。本文重点探讨了文档解析质量对RAG系统性能的关键影响,指出RAGFlow内置的DeepDoc解析器在处理复杂文档时存在诸多不足。针对这一问题,文章详细介绍了采用商业化解析工具TextInxParse的优化方案,包括两种集成方法(API直接调用和代码修改)的技术实现细节,并通过对比实验验证了TextIn在表格识别、多栏文档处理等方面的性能优势。最后,文章还讨论了RAG系统优化

m0_65555479的博客 1043
上一篇: 大模型必学:一文读懂Token机制与核心影响,建议收藏反复研读
下一篇: 收藏!AI大模型三个月系统学习路线:从零基础到实战应用(附完整资源)
不秃头de程序猿
博客等级 码龄5年 4091粉丝 1480原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值