yxkong的专栏

官方开源的代码，这两天做了不少的调整，以前磕磕绊绊的bug都已经修复了，官方也支持了ollama的向量模型。说coze的rag效果不好，这两天看到官方更新了ollama支持，切换到ollama本地做了下尝试。里通过添加插件的方式外挂知识库。只要外部知识库有http请求，就可以外挂上来。更新下官方的代码，特别是镜像重新拉取下，有些脚本都移除了，应该都打包到镜像里了。不要在原有的知识库上操作，重新建一个知识库进行向量化。上次有一个说法不太对，比如外挂知识库，在。还是用上次实验的两个md文件。

coze studio 的向量还在不断地完善过程中，预估这周ollama会上，自定义http需要按规范实现知识库目前不支持外挂，这个在企业中是一个很大的问题，后续开源社区肯定会支持，迟早的问题整体检索效果相对来说比较差，这个可能是我使用的问题。

提供各类最新大模型和工具、多种开发模式和框架，从开发到部署，为你提供最便捷的 AI Agent 开发环境。提供了一些模型的模板，我们只需要将模板复制，并简单修改下即可。按照官方的说法，2c4g就够了，实际在docker中启动，2.4g，后续随着使用，肯定会越来越大。注意模板所在的路径，需要用哪个模型，复制到model下即可。启动以后这几个带setup的容器，没启动不用管，其他的没启动手动点一下。从访问令牌可以看出，令牌是一个全局性的，而不是只针对某个工作流。所有需要启动的服务启动以后，访问。

RagFlow近期迎来重大版本更新，重点改进了Agent功能和MCP支持。Agent方面进行了全面重构，新增多Agent协作、规划反思、视觉处理等功能，并优化了前端编排体验和可观测性。MCP功能实现完整闭环，支持服务端导入、客户端调用及RAGFlow作为服务端。更新还包含新版Infinity集成、API文件引用支持等特性。作者通过艾灸应用案例演示了Human-in-the-loop交互流程，详细讲解了开始节点设置、条件判断、Agent工具调用等关键环节。同时介绍了MCP服务的配置使用方法，并对比了RagFl

前天dify升级到了1.2.0 ，昨天看了下升级日志，心心念的没看到。下面是更新的明细。我重点看重的是下面的两个功能。

api可能是二开最常用的模块了。apps目录主要是 ragflow对外暴露的接口sdk目录是对外提供的api，主要是操作知识库和一些扩展*_app.py的文件都是对ragflow的web提供的接口db目录是操作数据库的封装utils是封装的一些工具。

想要了解ragflow，表结构永远是绕不过去。我们连上ragflow的数据库，可以看到，创建有18张表。这些表具有什么含义？今天我们结合ragflow的代码、功能、和表来看一看。在ragflow的代码中，我们先看一下ragflow封装的继承关系。TextFieldMYSQLPOSTGRESJSONFieldListFieldragflow通过BaseModel把数据库的操作基于Peewee ORM进行了封装。

昨天刚吃过饭，看到dify推送1.1.0的升级，我看了下升级日志。在Dify1.1.0版本中修复了，新增了。官方推介的最重要的功能是元数据。

在ragflow的官方中，关于知识图谱，主要有两个文档，主要内容从0.9.0开始引入依赖于大模型和专有数据库infinity主要增强多跳问答和跨文档查询从v0.16.0版本开始，RAGFlow支持在知识库上构建知识图谱文档中的流程图不再依赖infinity想深读了解的，可以看看我们看下耗时对比。版本构建耗时降幅v0.17.08550秒v0.17.11440秒83%↓v0.17.2608秒58%↓​我们可以看到知识图谱的构建是非常花费时间和tokens的。

上周末，两台电脑都失联了，一个是断网了，一个被我不小心关机。导致我两天没环境。只能整理，学点东西。上周有个有个群友问我ragflow爬虫的没法使用的问题。幸好周六早上的时候实践了下。

做环境管理，单一的python还好一些，我之前安装的是3.9（比较早了）。而有些项目需要3.10，有的需要3.11，有的需要3.12，要么升级，要么安装多套环境。不想用uv，使用conda，建议让kimi写个脚本，把uv.lock里的包都洗出来，洗成。如果你没有修改过docker部署的端口，可以直接使用，如果修改了，需要对应的修改。然而我折腾了一会，安装不上。前端环境需要npm，或者pnpm，我之前一直有对应的环境，我就不折腾了。如果大家自己折腾，建议用uv，直接导入官方提供的，缺有，但是不多。

我们按照下图的数据介绍组件。ragflow的的官方文档相对来说还是比较欠缺的，特别是用户交互这块。ragflow的ui使用成本相对比较高，组件不知道返回什么，只能根据示例或意图推断使用ragflow建议是有技术底子的英文文档的描述习惯和中文还是有很大的差别的说实话，用着有点崩溃，哈哈。

从知识检索测试来说，开启知识图谱的检索效果最好。从聊天效果来说，反而通用的更符合我的口味。我的需求不明确，只是随意拿着一份文档测试，测试没有目标性，只是体验下检索的效果以及差异性，这个需要专业的测试。

我们看下基于dify增加了哪些功能。我把官网的介绍截图下来了，大家可以看看。我比较比较关注的几个功能web公开页登录授权，这个功能能保证了发布的应用，必须登录以后才能使用密钥额度设置，这个做好功能以后，可以对外暴露api，进行付费调用费用报表，方便管理者统计需求，也是提效的依据。

多格式转换：支持 PDF、图像、PPTX/DOCX/XLSX/HTML/EPUB → Markdown/JSON/HTML复杂内容提取：表格、公式、代码块、链接，支持图像保留与 OCR 修复，适配论文、金融文档等场景。可扩展优化：通过--use_llm调用 Gemini/Ollama 等模型提升准确率，支持自定义处理规则。

之前一直有粉丝留言说让我出一个dify+ragflow的教程，今天来实操下。

之前在聊一个问题，dify分享出去以后谁都可以用,如果在玩一些有趣的东西的时候，会…

工作流通过将复杂的任务分解成较小的步骤（节点）降低系统复杂度，减少了对提示词技术和模型推理能力的依赖，提高了 LLM 应用面向复杂任务的性能，提升了系统的可解释性、稳定性和容错性。一个完整的工作流，必须具备开始和结束两个节点。Chatflow：面向对话类情景，包括客户服务、语义搜索、以及其他需要在构建响应时进行多步逻辑的对话式应用程序。Workflow：面向自动化和批处理情景，适合高质量翻译、数据分析、内容生成、电子邮件自动化等应用程序。

1，我已经将大部分问题都上传到知识库了，大家有什么问题，先发公众号私信就行，有大模型处理。打开dockerDesktop，点击对应的nginx，可以查看对应的报错日志，有出现。当我们通过应用提问的时候，会从知识库检索出匹配的几个片段，+问题，一起提交给大模型。本地知识库都是存储在本地的，并且都是程序内置的，每隔一个客户端的知识库都是隔离的。2月18日拉取的官方代码，使用docker部署的时候出现的问题，原因。3，因为个人精力有限，后期只回复重复性高的，或比较特殊的问题。

用知识库提问是有技巧的,你是让他整理，还是推导，还是检索。这个提示词就很关键。提示词用不好会出现：ima内部设置了一些提示词，当问题文档未提及时应拒答。万能提示词结构基于知识库里的___帮我___用于__

群友一直希望我做一个dify的教程，我把去年的dify铲了，重新安装了一遍。同时以前的文章提问，以及群友的问题，我先做一个知识科普，不感兴趣的可以绕过这块。

1，不带推理功能的大模型真是差强人意2，后续研究下元器里的工作流，使用调用api的方式使用满血DeepSeek-R1模型3，后续把解决的所有问题都放入到问题库里。创作不易，辛苦大家动动发财的小手。if 文章有用:关注() # 🔔 追更最新内容else:留言吐槽() # 💬 评论区等你来战。

DeepSeek+本地知识库：真的太香了