40K Star——开源RAG引擎+Agent应用平台，适用于搭建个人或企业级私有知识库

Llama-Turbo Llama-Turbo 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.6k累计阅读 1.7k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄4年
关注
原创 最新推荐文章于 2026-08-25 15:10:55 发布 1.6k 阅读 AI 写同款· GEO 优化 ›
RAGFlow和Dify对比 RAGFlow和Dify都是基于大语言模型（LLM）的应用开发平台，分别专注于深度文档理解与检索增强生成（RAG）和LLM应用开发。RAGFlow以其深度文档解析能力和无幻觉生成著称，而Dify则以其灵活的工作流编排和全面的模型支持见长。以下从多个维度对两者进行详细对比。RAGFlow更适合需要深度文档解析和无幻觉生成的企业，尤其是处理复杂格式文档的场景。Dify更适合需要灵活工作流编排和多模型集成的开发者，尤其是构建复杂AI应用的场景。 阅读详情

RAGFlow是由Infiniflow团队开发的一款开源检索增强生成（RAG）引擎，其核心目标是通过结合大语言模型（LLM）与深度文档理解技术，为用户提供高效、精准的知识库问答服务。该工具特别擅长处理复杂格式的非结构化数据（如Word、PDF、表格、图片等），并支持本地化部署，适用于从个人应用到企业级场景的多样化需求。

图片

图片

开源地址：https://github.com/infiniflow/ragflow

开源协议：Apache-2.0 license

01.

核心功能

深度文档理解与智能解析

RAGFlow通过自研的深度文档解析技术，能够精准提取多模态数据中的关键信息，包括扫描件、影印件、网页等复杂格式。例如，医疗领域的结构化数据（如CSV文件）可通过其模板化分块功能实现高效向量化，为后续检索提供可靠基础。

图片

可控的文本切片与可视化

系统支持基于模板的文本分块策略，用户可根据需求选择不同的分块模板，并实时查看分块过程的可视化结果。这种“可解释性”设计有效降低了模型生成中的“幻觉”现象，确保答案的可追溯性。

多源异构数据兼容

RAGFlow兼容超过20种文件类型，包括PPT、Excel、PDF、图片等，并支持从数据库、API等多种数据源实时检索信息。例如，在医疗问诊助手的搭建中，用户可上传包含数十万条QA对的CSV文件，系统会自动解析并构建知识索引。

自动化RAG工作流

从文档上传、分块、向量化到检索生成，RAGFlow提供端到端的自动化流程。其多路召回与融合重排序算法显著提升检索效率，结合动态参数调整（如温度值、Top P等），可灵活适配不同业务场景。

图片

02.

技术优势

图片

高性能混合检索

采用稠密向量+稀疏向量+结构化检索的混合模式，支持亿级数据量的毫秒级响应。通过集成ColBERT等先进算法，RAGFlow在保证检索精度的同时降低了延迟，适用于金融、医疗等高实时性场景。

本地化部署能力

用户可通过Docker快速部署私有化服务，支持与Ollama、Xinference等工具集成本地大模型（如Qwen-7B）。例如，医疗场景中可完全在本地运行知识库、向量模型和LLM，确保数据隐私。

动态反馈与自优化

系统内置自动化质量检测机制，若生成结果不符合预设标准（如引用缺失），会自动触发重新检索或参数调整流程。这种闭环优化显著提升了问答系统的长期稳定性。

03.

应用场景

智能客服与医疗问诊

通过整合医疗QA数据集（如PubMed论文数据），RAGFlow可构建本地化问诊助手，根据患者症状动态生成诊断建议，并精准引用医学文献。

法律合规支持

从法律文本中提取条款，自动生成合同审查报告。例如，系统可快速定位《民法典》中相关条文，并生成条款解读与修订建议。

企业知识管理

支持将内部文档（技术手册、市场报告）转化为可交互的知识库。员工可通过自然语言查询获取精准答案，同时溯源至原始文件的具体段落。

教育科研辅助

为学生提供动态解题步骤推导，或为研究人员自动生成文献综述。例如，输入“量子计算最新进展”，系统可检索预印本网站并生成结构化摘要。

04

部署指南

环境要求

  • 硬件：4核CPU/16GB内存/50GB磁盘
  • 软件：Docker≥24.0.0、Docker Compose≥v2.26.1

快速启动

# 克隆仓库并启动服务
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
docker compose -f docker-compose-CN.yml up -d

启动后访问http://localhost即可进入管理界面，需注意提前设置vm.max_map_count≥262144以避免内存问题。

模型配置

  • 本地模型：通过Ollama部署Qwen等模型，在RAGFlow中配置http://host.docker.internal:11434作为基础URL。
  • 云端API：支持DeepSeek、OpenAI等主流模型，需在service_conf.yaml中填写API密钥。

RAGFlow通过深度文档解析与混合检索算法的深度结合，解决了传统RAG系统在复杂格式处理与精准召回上的痛点。其开源特性与模块化设计，使其成为企业构建私有知识库的理想选择。随着2024年4月新增的对话API与本地模型支持，RAGFlow正在推动RAG技术从实验室走向产业落地。开发者可通过其GitHub仓库快速体验完整功能，或参考社区案例拓展应用边界。

 如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。

  • 内容：

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

  • 内容：

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

  • 内容：

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

 

标签
#AI大模型 #langchain #LLM #人工智能 #大模型应用
#大模型开发 #程序员
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
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 阅读详情

相关推荐

10个企业级Agent实战项目：从RAG到多Agent协作全解析

智能体（Agent）开发正从单点Demo走向企业级落地，核心在于将大模型能力与真实业务场景结合。RAG（检索增强生成）通过向量检索与文档切片，让Agent能基于私有知识库精准回答；多Agent协作则通过角色分工与任务编排（如CrewAI、AutoGen），模拟团队完成复杂流程。工程化方面，FastAPI封装、批量任务队列、接口稳定性与效果评测是企业级应用的关键。这些技术可应用于智能客服、知识库问答、自动化报表、代码审查、音视频摘要等场景。本文整理10个覆盖多Agent协作、工作流搭建、RAG知识库、自动化办

weixin_33895516的博客 428

全网国内外20个开源知识管理工具

全网国内外20个开源知识管理工具。 知识管理对于一个知识型企业来说非常重要，因为它能够组织、存储和检索知识和信息，可以为组织内部或与外部提供知识获取、管理和共享的途径，能够有效促进企业创新，提高生产力，支持企业决策。

代码讲故事 5728

构建企业级AI应用：LLM网关、RAG与MCP的端到端工程实践

在人工智能工程化领域，模型服务化与知识管理是构建稳定、智能应用的核心基础。其原理在于通过统一的基础设施层，将异构的大模型能力标准化，并结合外部知识库来增强模型的准确性与时效性。这一技术组合的价值在于解决了生产环境中模型调用混乱、知识更新滞后与功能单一等关键痛点，是实现企业级AI应用从原型到落地的关键路径。典型的应用场景包括构建统一的模型服务平台、开发基于私有文档的智能问答系统以及创建能够执行复杂任务的智能体（AI Agent）。本文将以一个整合了LLM网关、RAG（检索增强生成）和MCP（模型上下文协议）的

weixin_34258838的博客 492

超详情的开源知识库管理系统- mm-wiki的安装和使用

背景：最近公司需要一款可以记录公司内部文档信息，一些只是累计等，通过之前的经验积累，立马想到了 mm-wiki，然后就给公司搭建了一套，分享一下安装和使用说明：当前市场上众多的优秀的文档系统百家争鸣，但是能够完全开源支持私有化部署的却屈指可数。目前个人了解到的体验较好的有MrDoc和mm-wiki。

Alex的博客 1万+

5个生产级AI Agent项目实战指南：RAG、Graph、微服务架构全解析

AI Agent 是大模型从‘能说会写’迈向‘可执行、可编排、可运维’的关键范式升级。其核心在于将意图理解、工具调用与决策路径显性化，依托Function Calling实现动作能力，通过RAG增强事实记忆，借图结构（Graph）支撑多跳推理，并以微服务化设计保障系统韧性。在企业落地中，稳定性、可观测性与错误可追溯性远比模型参数更关键。本文聚焦已验证于财务月报、合同审查、风控关联分析等真实场景的5个高可用开源项目，覆盖LangChain+LlamaIndex双引擎RAG、Neo4j图谱Agent、AutoG

weixin_34203832的博客 774

LLM落地实战：AI Agent与RAG工程化落地指南

大语言模型（LLM）从实验室走向生产环境，核心在于工程化落地能力。AI Agent通过状态管理与目标分解，实现多步任务自动编排；RAG则构建动态知识注入机制，解决模型幻觉与知识滞后问题。二者协同形成‘Agentic RAG’范式，显著提升系统自主求解能力。技术价值体现在可复现、可部署、可监控的最小可行单元（MVP）构建——如基于Ollama+LangChain+Chroma快速搭建PDF智能问答系统，或用AutoGen编排会议纪要生成流水线。典型应用场景覆盖法律文书审查、供应链风险预警、企业知识库问答等。本

weixin_30235225的博客 382

Dify 和 RagFlow 官网关于协议

以下是 Dify 和 RagFlow 官网关于协议（开源许可、商业条款）的官方链接和关键信息摘要：关键信息：关键信息：

Leon_Jinhai_Sun的博客 1918

OpenClaw：面向本地优先的开源AI Agent操作系统

AI Agent正从云端服务范式转向终端可控的基础设施。Agent本质是可调度、可审计、可替换的执行单元，其核心价值在于将意图识别、工具编排与状态管理下沉至本地运行环境。OpenClaw通过微内核架构、Plan Tree执行引擎与双模态知识库，实现了低内存占用（300MB级）、强可调试性与物理隔离安全，支撑微信消息解析、待办同步、离线天气等真实场景。它不提供开箱即用功能，而是交付构建个人AI工作流的原语能力——尤其适合重视数据主权、需深度定制与生产级可观测性的开发者。本地优先和开源是其技术信仰的双重锚点。

cnmik42448的专栏 407

双非二本生如何通过RAG/Agent开发实现高薪就业

检索增强生成(RAG)和智能体(Agent)技术是当前大模型应用开发的核心方向。RAG通过结合检索系统和生成模型，显著提升了知识密集型任务的准确性，其关键技术包括分块策略、嵌入模型选型和重排序机制。Agent系统则通过工具调用和任务分解实现复杂问题求解，标准架构包含意图识别、工具选择等模块。这些技术在智能客服、电商运营等场景有广泛应用。对于开发者而言，掌握LangChain、LlamaIndex等框架，并积累真实项目经验是提升竞争力的关键。数据显示，拥有高质量开源项目（如GitHub 2k+star的RAG

weixin_34117211的博客 383

AI Agent工程师面试指南：核心能力与实战项目解析

AI Agent作为人工智能领域的重要分支，通过自主决策和工具调用实现复杂任务自动化。其核心技术包括ReAct推理框架、多Agent协作机制和RAG增强检索等，在客服系统、智能助手等场景展现巨大价值。本文深入解析AI Agent工程师岗位的算法与开发双轨发展路径，涵盖LangGraph、Agentic RAG等前沿技术栈，并提供可直接用于简历的实战项目开发方法论。针对当前行业存在的知识碎片化和项目经验瓶颈问题，特别设计包含300+真题的面试题库和STAR-Tech应答策略，助力开发者突破职业发展瓶颈。

weixin_34043301的博客 410

Agent 长期记忆三代演进：从 RAG 到 Memory Graph，mem0 / Zep / LangMem / Letta 深度横评

文章摘要 2026年，Agent长期记忆技术迎来关键突破，OpenAI、Anthropic等厂商通过扩大上下文窗口和推出记忆工具，推动长期记忆从工程补丁发展为独立技术层。本文通过分析三代记忆架构演进（RAG→结构化Fact→MemoryGraph）和四大方案（mem0/Zep/LangMem/Letta）的8维度横评，揭示以下核心观点： 长上下文≠长期记忆：128K上下文如同RAM，仍需硬盘式记忆层筛选和结构化存储，避免“Context Rot”导致的准确率下降。 三代架构演进： Gen1（RAG）：向量检

LDZKKJ的博客 1426

基于RAG与多模态Agent的端到端飞行规划智能体构建实践

检索增强生成（RAG）技术通过将外部知识库与大型语言模型（LLM）结合，有效解决了模型在处理海量、动态、高精度领域知识时的幻觉和知识更新难题。其核心原理是为模型提供实时、精准的事实检索能力，从而显著提升生成内容的准确性和可靠性。这一技术价值在于能够构建可信赖的领域专家系统，广泛应用于智能客服、知识库问答和自动化报告生成等场景。本文聚焦于航空飞行规划这一复杂领域，详细阐述了如何将RAG作为智能体的记忆基石，与多模态交互能力、智能体（Agent）工作流进行三位一体融合，构建一个能从自然语言需求端到端生成可执行飞

weixin_30530939的博客 445

AgentKit企业落地四大瓶颈：权限、部署、连接器与治理

AI Agent平台正从概念验证迈向规模化生产，其核心挑战已从‘能否实现’转向‘如何可控落地’。理解Agent平台的权限模型、私有化部署能力、企业级连接器生态及全链路治理机制，是构建合规、可审计、可运维AI应用的基础。尤其在金融、医疗、制造等强监管行业，RBAC细粒度授权、本地化模型推理、SAP/ERP/OT协议深度适配、结构化审计日志等能力，直接决定Agent能否进入核心业务流程。本文聚焦OpenAI AgentKit在真实企业场景中暴露的关键断层，解析开发者友好型工具与企业级AI基础设施之间的本质差异。

weixin_33874713的博客 654

GLM-4.5深度解析：Agent原生融合与128K上下文的工业级落地

大语言模型（LLM）正从通用推理工具向企业级智能中间件演进，其核心能力不再仅取决于参数规模，而在于推理、编码与Agent执行的深度耦合。混合专家架构（MoE）通过任务感知门控实现能力隔离与定向强化，显著提升SWE-Bench等专业基准表现；128K上下文结合动态裁剪与前缀缓存，重构长文档处理的成本结构，在政务、医疗等场景中实现响应提速与准确率跃升。GLM-4.5系列以Agent原生融合为设计原点，将规划、检索、工具调用编译至执行层，使模型具备可预测的失败路径与边界认知能力——这正是自动化合同审核、智能办公流

weixin_30764771的博客 441

大模型时代职业指南：从零基础到应用开发工程师的实战路径

大语言模型（LLM）作为人工智能领域的前沿技术，其核心原理是基于Transformer架构的海量参数模型，通过预训练和微调来理解和生成人类语言。这项技术的价值在于将强大的自然语言处理能力工程化、平民化，使其不再是实验室的专属，而是能够广泛应用于各行各业的赋能工具。在应用场景上，大模型正通过检索增强生成（RAG）、智能体（Agent）等技术范式，深度融入金融分析、智能客服、内容创作和企业知识管理等具体业务中，解决信息过载与效率瓶颈问题。本文聚焦于大模型应用开发这一热门方向，为希望入局的开发者梳理出一条清晰的技

418

Kimi 2.6深度解析：长上下文、树状推理与Agent集群实战

大型语言模型（LLM）的实用化瓶颈，正从‘能否生成’转向‘能否持续可靠地思考’。其核心在于推理深度、上下文容量与任务协同能力三大维度——前者决定逻辑严谨性，后者支撑复杂文档理解，而Agent架构则实现多工具自主编排。Kimi（月之暗面）2.6通过256K上下文窗口、显式思维预算分配与内生Agent调度机制，显著提升长链条任务的稳定性与可解释性，已在财报分析、合规评估、技术尽调等需跨源验证、动态回溯的工程场景中验证实效。本文基于真实工作流，详解其推理跃迁原理与开源可集成特性。

dgqvhtlwq472235338的博客 340

每日GitCode开源项目推荐：5个高效开发神器完整实战指南

项目名称核心优势推荐指数适合人群AtomCode终端轻量、多模型支持⭐️⭐️⭐️⭐️⭐️极客、后端开发、运维代码推理强、综合性能高⭐️⭐️⭐️⭐️⭐️需要私有化大模型的团队长文本处理、低显存占用⭐️⭐️⭐️⭐️文档分析、长流程任务GLM-5.1长程任务、自主规划⭐️⭐️⭐️⭐️⭐️自动化工程、全栈开发Kimi-K2.6多模态视觉、图文生成⭐️⭐️⭐️⭐️前端开发、数据分析师开源的力量就在于共享与进步。

热爱技术与前沿创新，深耕科技领域，在科创中精进自我；探索技术乐趣，分享技术干货与成长心得，以技术为伴，热爱生活，在科创与生活中双向成长。 491

【OpenCV】手眼标定实战：从原理到calibrateHandEye的完整实现

本文详细解析了机器人视觉中的手眼标定原理与实战，重点介绍了如何使用OpenCV的calibrateHandEye函数实现从数据采集到结果验证的完整流程。文章深入剖析了AX=XB核心方程，区分了眼在手上与眼在手外两种配置，并提供了详细的代码示例与避坑指南，帮助开发者精准建立相机与机械臂末端的坐标转换关系，是机器人精准抓取的关键技术。

weixin_29046611的博客 509
上一篇： 用Docker三分钟搭建企业级AI客服！FastGPT私有知识库实战教程
下一篇： AnythingLLM接入硅基流动的DeepSeek R1大模型API｜实战教程
点赞 15
评论 0
书签 书签 16
Llama-Turbo
Llama-Turbo
博客等级 码龄4年 9901粉丝 2022原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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