RAGFlow安装，dify对接RAGFlow

一、概述

RAGFlow是一种融合了数据检索与生成式模型的新型系统架构，其核心思想在于将大规模检索系统与先进的生成式模型（如Transformer、GPT系列）相结合，从而在回答查询时既能利用海量数据的知识库，又能生成符合上下文语义的自然语言回复。该系统主要包含两个关键模块：数据检索模块和生成模块。数据检索模块负责在海量数据中快速定位相关信息，而生成模块则基于检索结果生成高质量的回答或文本内容。

在实际应用中，RAGFlow能够在客户服务、问答系统、智能搜索、内容推荐等领域发挥重要作用，通过检索与生成的双重保障，显著提升系统的响应速度和准确性。
 

二、docker方式安装

注意事项

注意：默认情况下，dify不能和ragflow放到同一台服务器，因为redis环境变量会出现冲突！
RAGFlow解析文件时，会出现报错：AssertionError("Can't access Redis, Please check the Redis' status.")

如果资源有限，只有一台服务器，也可以解决，需要docker-compose增加-p参数。

-p 参数的作用

1. 命名隔离：

   • 使用不同的项目名称可以避免不同项目之间的容器、网络和卷的命名冲突。

   • 例如，如果你有两个项目分别使用 docker-compose，它们的容器名称可能会冲突。通过指定不同的项目名称，可以确保它们的资源（如容器、网络、卷）是独立的。

2. 管理方便：

   • 通过指定项目名称，可以更方便地管理和操作特定的项目，而不会影响其他项目。

 停止dify，进入dify的docker，使用命令：

docker-compose down

增加-p参数指定dify

docker-compose -p dify up -d

正式安装RAGFlow

官方文档：Get started | RAGFlow

cd /opt/
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
git checkout -f v0.17.2

由于服务器80端口冲突，需要修改docker-compose.yml

ports:
      - ${SVR_HTTP_PORT}:9380
      - 8081:80
      - 8443:443

指定-p参数，启动

docker compose -p ragflow -f docker-compose.yml up -d

访问页面http://192.168.32.14:8081/

 点击注册

 输入账号信息

 注意：这里注册的就是管理员账户。

 登录成功之后，效果如下：

点击右上角头像，设置模型提供商。这里设置的通义千问

 点击系统模型设置

 选择默认的模型

三、创建知识库

回到首页，点击创建知识库，输入名字：半期考试成绩

 点击新增文件，选择excel文件

 点击右边的设置按钮-->切片方法

 切换方法通用，勾选表格转html

点击解析按钮

等待一会，就会提示解析成功

 点击excel文件名，就可以看到数据了

 检索测试，输入测试文本：张三的语文成绩是多少？

回答结果不是很满意，这里返回了所有人的语文成绩。

因为问题包含了语文，他是做了相似度处理，所以返回了所有人的语文成绩。

接下来，我们会结合dify，回答最准确的答案。

四、dify对接RAGFlow

 进入RAGFlow，点击右上角头像-->API-->API KEY

显示新密钥为：ragflow-hm***

登录dify，点击知识库-->外部知识库API

添加外部知识库api

编辑外部知识库API

Name: RAGFlow-test

API Endpoint：http://192.168.32.14:8081/api/v1/dify

API Key：ragflow-hm***

参数说明：

Name名称可以随便写，没有要求

API Endpoint的格式为：RAGFlow访问地址+/api/v1/dify

API Key：RAGFlow的api key

打开RAGFlow的知识库

会跳转链接到：http://192.168.32.14:8081/knowledge/dataset?id=c12e71e2057911f0b1d00242c0a8f006

url后面的id，就是知识库的id

登录到dify，创建知识库-->连接外部知识库

外部知识库名称，这个可以随便写

外部知识库api，选择RAGFlow-test

外部知识库id，就是RAGFlow对应的知识库id

Top k设置为10，可以调大一些

 添加成功后，进入知识库-->召回测试

张三的语文成绩是多少？

右边能显示结果，说明api对接成功

在dify工作流中，就可以选择外部知识库了

创建一个聊天应用，test-chat-rag

提示词：

###角色
你是聊天助手，根据用户输入，优先检索知识库的详细内容。

###输入
知识库内容从上下文中获取。

###检索要求
如获取到的知识库内容与问题相关时，请汇总知识库详细内容再回答，如含有表格，输出表格的内容，不要带有html代码。

上下文选择外部知识库rag-test，效果如下：

 选择模型-->发布-->运行

测试询问成绩

张三的语文成绩是多少？

最后得到了准确的答案！

 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。

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)

三、LLM大模型系列视频教程

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

五、AI产品经理大模型教程

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🆓↓↓↓

​