RAGFlow+TextIn:RAG实战教程!1分钟实现解析性能提升

【Ragflow】13.Deepdoc效果一言难尽,MinerU解析降维打击 要用好rag的输出增强效果,文档解析是关键一环。如果文档解析块存在问题,那么后面检索到的内容,也会对模型造成错误干扰。前文分析过,ragflow使用自研的Deepdoc算法对不同类型的文档进行解析,然而,对于pdf文件,在多数情况下的解析效果并不如意。 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。

图片

从RAG链路出发,首要关键因素即是文档解析的质量。在应用RAGFlow框架时,我们也需要首先关注解析能力,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,不尽如人意的解析输出将会大幅度影响RAG性能。

如下图中,对于同一份文件的连续两页目录,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。

图片

图1

图片

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。

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

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、Marker等,商业化产品例如本文实战应用中使用的TextIn xParse。

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。

其核心能力包括:

• 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立即测试TextIn文档解析登录TextIn账户,管理您的OCR服务套餐、API密钥及使用记录,一键访问智能文字识别全功能平台。https://cc.co/16YSWl

图片

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)。

图片

跨页表格合并效果好,也能精准识别页眉页脚。

图片

多栏学术论文的阅读顺序还原很准确。

图片

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。

图片

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。

图片

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。

图片

图3

图片

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

图片

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

图片

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,我们需要厘清Ragflow的解析分块过程。

流程源码路径清单总览

图片

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:

图片

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:

图片

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。

自定义使用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。

class Pdf(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 if not 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。

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

3、将解析部分更改为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 json
    import requests
    sections, tables = pdf_parser(filename if not 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 72
        iftype == 'paragraph':
            if sub_type not in ['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。

图片

原生解析分段结果

图片

TextIn解析分段结果

如图可以看到,原本的解析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。

图片

原生解析分段结果

图片

TextIn解析分段结果

如上图所示,原本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。

图片

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。

如果你在实操过程中有任何问题,或对解析、分块、知识库向量化环节有更多需求,可随时向我们提出,共同探讨进步。

RagFlow 文档解析 RAGFlow 的设计哲学是“高质量输入,高质量输出”,它通过提供可解释性和可控性的生成结果,让用户能够信任并依赖于系统提供的答案。 阅读详情

相关推荐

RAG文档解析利器:Deepdoc

Deepdoc是RAG框架RAGFLOW中使用的文档解析工具。

深度学习机器 4386

基于ragflow中deepdoc对pdf文档的rag系统

基于deepdoc对复杂的pdf文档做切分,然后添加到知识库+做检索

weixin_63021621的博客 2021

来自工业界的知识库 RAG 服务(二),RagFlow 源码全流程深度解析

前面介绍过有道 QAnything 源码解析,通过深入了解工业界的知识库 RAG 服务,得到了不少调优 RAG 服务的新想法。因此本次趁热打铁,额外花费一点时间,深入研究了另一个火热的开源 RAG 服务RagFlow的完整实现流程,希望同样有所收获。首先依旧可以先从框架图入手,与常规的 RAG 架构进行一些比较可以看到右侧知识库被明显放大,同时最右侧详细介绍了文件解析的各种手段,比如OCR等,这些在常规的 RAG 中可能会作为一个不起眼的。

易迟的专栏 2万+

7.1k Star!RAGFlow:最新开源OCR+深度文档理解的RAG引擎、大海捞针测试、降低幻觉、服务化API集成进业务!

RAG,也就是检索增强生成,听上去可能有点科技感,但其实这个概念相当直观。它基本上就是通过一个巧妙的方法来让大型语言模型(LLM)生成更精准、更有用的回答。这个过程开始于一种特殊的数据库,我们可以称之为“垂直领域数据库”。当你向LLM提出一个问题时,RAG不是直接回答,而是先到这个数据库里去搜索与你的问题最相关的信息。这就好比你问了一个复杂的问题,RAG先跑去图书馆查资料。接下来的步骤是关键:RAG把这些检索到的信息整合成一个精细的提示模板。然后,这个模板和你的原始问题一起被送到LLM。

lythinking的博客 7251

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。

weixin_43008312的博客 6255

AI学习指南RAG篇(23)-RAGFlow的DeepDoc模块

DeepDoc作为RAGFlow的核心组件,通过利用OCR、布局识别、表格结构识别等技术,实现了对文档的深度理解和信息提取。这些技术不仅能够处理多种文档格式,还能智能地识别文档中的各种元素,为后续的检索和生成提供支持。希望本文的介绍能帮助您更好地理解和使用DeepDoc。

俞兆鹏的博客 1625

RAGFlow集成TextIn 2.0:本地知识库工程化落地的关键升级

RAG(检索增强生成)是构建企业级知识库的核心范式,其效果高度依赖文档解析的准确性与稳定性。而PDF、OFD、DOCX等非结构化文档的解析,长期面临OCR失败率高、格式兼容性差、部署环境不一致等共性难题。TextIn作为专注中文文档智能解析的引擎,其2.0版本通过分层镜像架构与插件热插拔机制,实现了解析能力与RAG应用的解耦,显著提升chunk语义完整性与向量检索准确率。该方案不仅压缩知识库交付周期,更支撑多格式混合处理、GPU/CPU弹性适配及故障自动降级等生产级需求,已成为金融、司法等领域本地化RAG系

weixin_33739523的博客 463

RAGFlow 系列教程 第七课:DeepDoc -- 文档解析引擎架构

RAGFlow v0.25.0深度文档理解引擎解析 本文深入剖析了RAGFlow的核心模块DeepDoc,这是一个基于视觉AI的文档理解引擎。系统包含15个解析器(约6258行代码)和9个视觉模型(约3745行代码),总规模超万行。DeepDoc通过布局识别、OCR和表格结构识别等技术,实现了对PDF等文档的物理结构和语义层次的深度理解,而非简单文本提取。 文章重点解析了DeepDoc的架构设计,包括: 目录结构:分为parser(文档格式解析)和vision(视觉AI模型)两大子模块 解析器分层:从轻量文

weixin_43674738的博客 471

【大模型系列篇】RAGFlow文档解析利器:DeepDoc

RAGFlow 的文档解析核心组件被称为 DeepDoc,是一个利用视觉信息和解析技术对文档进行深度理解的系统,其功能模块化地包含了多个部分,主要是两个组成部分:视觉处理和解析器。框架中提出的一个支持多种文本切片的解析模版,包括:Q&A、ReSume、Paper、Manual、Table、Book、Law等等。以更好地结合业务场景,确保结果的可控性和可解释性。MinerU 是由上海人工智能实验室的大模型数据基础团队开发的开源数据提取工具,专注于复杂 PDF 文档的高效解析与多模态内容提取。

木亦汐丫 3242

瑞芯微RK3576开发实战:固件烧录与内核启动的典型问题解析

本文详细解析了瑞芯微RK3576开发板在固件烧录与内核启动过程中遇到的典型问题及解决方案。从开发工具版本检查、DDR配置调整到内核启动异常的设备树适配和电源管理问题,提供了系统性的调试方法和实用技巧,帮助开发者高效解决RK3576开发中的常见挑战。

weixin_33700350的博客 456

别再手动算了!用Excel函数一键搞定AQI和首要污染物分析(附完整公式模板)

本文介绍如何利用Excel函数自动化计算AQI和首要污染物分析,大幅提升数据处理效率。通过构建标准化输入模板、智能计算IAQI、自动判定AQI与首要污染物,并生成可视化仪表盘,帮助环保工作者快速完成每日监测报告。

weixin_30443075的博客 346

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+

STM32HAL库学习笔记九——LCD显示

本文不会对驱动编写做特别详细的描述,以记录CubeMX的部署流程为主。

weixin_44762233的博客 6920

写在RAGFlow开源2万星标之际

RAGFlow自2024年4月1日正式开源,时至今日,不到7个月时间已经站在了Github 2万星标的台阶之上。此时此刻,我们回首过去,是时候来做一番总结,并同时展望未来。

datageek的博客 4257

Realtek 10GbE芯片组解析:低成本高速网络方案

10GbE(万兆以太网)技术通过提升网络带宽,显著改善了数据传输效率,成为现代网络架构的核心组件。其工作原理基于高速串行通信协议,通过优化信号处理和编码技术实现低延迟、高吞吐量。在技术价值上,10GbE不仅满足数据中心和企业网络的高需求,还逐步渗透到消费级市场,推动家庭和小型企业的网络升级。应用场景包括NAS存储、视频编辑工作站和云服务接入等。Realtek最新发布的RTL8127、RTL8159和RTL8261C芯片组,以低功耗和低成本优势,进一步降低了10GbE的普及门槛。这些芯片支持PCIe Gen4

weixin_36427956的博客 594

ubuntu打实时内核补丁教程以及安装后显卡驱动问题解决方法

在ubuntu20.04上安装成功,亲测有效 目录ubuntu打实时内核补丁教程1、下载实时内核2、解压和打补丁(patch)3、安装依赖和编译安装4、修改一些文件,便于之后切换内核5、重启电脑实时内核版本下安装nvidia显卡驱动的问题1、先切换回之前的内核(非实时)版本2、重装之前内核(非实时)版本下的显卡驱动3、切换回实时内核(按照上面的步骤)4、在实时内核下安装显卡驱动 ubuntu打实时内核补丁教程 安装目标系统:ubuntu20.04 电脑配置:i9,2080ti 1、下载实时内核 打开终端,输

weixin_39275295的博客 7996

从零实现本地知识库问答——实战基于OCR和文本解析器的新一代RAG引擎:RAGFlow(含源码剖析)

继InfiniFlow于去年年底正式开源 AI 原生数据库 Infinity 之后,InfiniFlow的的端到端 RAG 解决方案 RAGFlow 也于近期正式开源是的,你没看错, 这3个看起来很不性感的地方,恰恰是目前许多 LLM 没有做好的。伴随着长上下文 LLM 的升级,特别是针对长上下文“大海捞针”能力的提升,极大缓解了 RAG 实施中的痛点之一 —— 来自 LLM 自身的问题而另一大问题就是来自 RAG 系统本身,这包含:数据库的问题。多路召回对于 RAG还挺重要的。

结构之法 算法之道 1万+

从零到一:i.MX8M Plus开发板全流程开发指南(源码编译、烧录、镜像运行)

本文详细介绍了i.MX8M Plus开发板的全流程开发指南,包括源码编译、烧录和镜像运行等关键步骤。通过实战案例和配置技巧,帮助开发者快速掌握工业级应用开发,提升在边缘计算和AI推理等领域的开发效率。

weixin_30687051的博客 573

RAGFlow 0.16.0 特性总览——GraphRAG、标签库及其他

RAGFlow 0.16.0 是 2025年的第一个 release。春节期间 DeepSeek R1 火遍全世界,这让我们在之前作出的预测——2025 年下半年开启 LLM 的理解与决策的时间点,大大提前。因此,在后续的版本迭代中,将逐步开启对 Contextual Memory,以及 Reasoning 方面的功能,欢迎大家提出对这方面功能的场景和需求定义。欢迎大家持续关注 RAGFlow https://github.com/infiniflow/ragflow,在 GitHub 上给我们点亮⭐️。

datageek的博客 7113

基于MS5351的三通道可编程时钟发生器设计

时钟发生器是数字系统时序验证与信号完整性测试的核心基础设备,其原理基于锁相环(PLL)对参考晶振进行倍频与分频控制,通过寄存器配置实现多路独立频率输出。技术价值体现在高精度、低抖动、快速切换与工程可部署性之间取得平衡,尤其适用于FPGA/ASIC参考时钟调试、ADC/DAC采样时钟验证及嵌入式硬件时序裕量评估等场景。本方案采用MS5351三通道时钟芯片与ESP32主控协同架构,在保证LVCMOS输出质量与I²C可编程性的前提下,优化电源噪声抑制、晶体负载匹配和跨板信号完整性,兼顾成本、周期与实测稳定性,为实

weixin_31715353的博客 216

docker部署neo4j,设置密码。Neo.ClientError.Security.Unauthorized: The client is unauthorized due to authenti

卷,设置NEO4J_AUTH将不会起作用,因为该数据库已经配置了身份验证。Neo4j Docker 服务将会启动,但您需要使用已与该数据库关联的用户名和密码才能登录。这里,使用了环境变量NEO4J_AUTH,设置了用户名为neo4j,密码为neo4jneo4j。这个命令还是比较全的,包括设置密码,设置端口,挂载外部的数据目录等。原因嘛,就是使用docker创建的neo4j,登录不上。把👆提到的外挂的数据,都清空了,再重新来一遍。有一种情况下,这样设置密码,并不会成功。如果不出意外,目前就算大功告成了。

xiezhipu的博客 565

ragflow安装

配置完成后,在windows PowerShell命令窗口中进入ragflow文件夹,输入docker compose -f docker/docker-compose.yml up -d命令,利用docker加载该项目。图 windows PowerShell界面。,进入ragflow登录界面,如下图所示。在浏览器地址栏中输入。

yzj5464的博客 608

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

上一篇: 如何实现文档处理全流程自动化?
下一篇: 企业级文档处理API推荐
TextIn智能文档云平台
博客等级 码龄2年 366粉丝 363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