RAGFlow安装，dify对接RAGFlow

于 2025-05-16 10:17:58 发布
阅读量946 收藏 16
点赞数 19
CC 4.0 BY-SA版权
文章标签： 人工智能 LLM 大模型 AI大模型 prompt RAGFlow Transformer
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。
本文链接：https://blog.youkuaiyun.com/pythonhy/article/details/148000666

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：

复制代码

###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。

复制代码

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。

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🆓↓↓↓

​

Llama-Turbo
关注
RAG+AI工作流+Agent：LLM框架该如何选择，全面对比MaxKB、Dify、FastGPT、RagFlow、Anything-LLM,以及更多推荐
丨汀、的博客
07-30 3万+
RAG+AI工作流+Agent：LLM框架该如何选择，全面对比MaxKB、Dify、FastGPT、RagFlow、Anything-LLM,以及更多推荐
大模型系列——dify+ragflow知识库
2401_84052244的博客
04-23 402
dify借助ragflow很大程度弥补了知识库解析、知识库问答效果的不足，最方便的是ragflow官方本身就支持了dify的外部知识库API。PS：由于我的dify和ragflow都部署在同一个主机的docker中，所以dify可以通过主机的内网ip访问ragflow的知识库。，可以参考我的ragflow配置（如下：在docker-compose.yml里面把ragflow映射到主机的端口改掉，改成容器的。本期使用的dify和ragflow都是使用docker本地部署的。
什么是 RAGflow？ 应用场景是什么？
段传涛 的专栏
12-04 7688
和工作流优化的新技术架构。旨在提升生成式 AI 系统的效率和性能。它主要适用于需要动态生成内容且依赖外部知识库的场景，例如智能客服、文档生成、数据分析等。：检索和生成环节相辅相成，确保最终结果的准确性和可靠性。相结合的技术架构，之前种种多次提到，此处不在赘述。：能够集成多个数据源和生成模块，适应不同场景的需求。：通过动态优化流程，减少了不必要的计算和查询次数。RAG（检索增强生成）是将。
【RAGFlow】Ubuntu系统下实现源码启动RAGFlow
kewaqi618的博客
07-15 9836
RAGFlow 可以为各种规模的企业及个人提供一套精简的 RAG 工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。因为官方提供了快速搭建平台使用docker容器技术，但我们不想使用docker容器搭建，所以就尝试直接在Ubuntu系统环境下直接启动源码的方式实现。
端到端 RAG 解决方案 RAGFlow 正式开源
datageek的博客
04-01 8857
继 AI 原生数据库 Infinity 于去年底正式开源之后，我们的端到端 RAG 解决方案 RAGFlow 也于今日正式开源。项目地址： https://github.com/infiniflow/ragflow
整合RAGFlow、Dify、Ollama、DeepSeek构建高效、智能的本地化知识库系统
Made In SQL
05-03 964
量化部署通过降低神经网络权重参数的数值精度（如从常规的 32 位浮点数压缩到 4 位或 8 位整数），大幅减少模型体积和显存占用，同时尽可能保持模型的精度和性能。DeepSeek 模型的量化部署是优化模型性能、降低显存需求的重要手段。
dify v1.0.1外挂ragflow知识库，确实可以封神了！【喂饭级教程】
呱牛 Just do IT
04-05 1001
dify v1.0.1外挂ragflow知识库，确实可以封神了！【喂饭级教程】
AI老板心中的迈巴赫：DeepSeek+Ollama+Xinference+RAGFlow+Dify部署教程，RAG产品化体验5件套
yanqianglifei的专栏
03-21 1137
DeepSeek-R1火了之后，Ai老板部署需求大大提升，抛开效果不谈，五件套易用性和灵活性相比VLLM大大提升，门槛较低，但是效果不言而喻。以下部署全部以docker方式进行，因为太方便了,但同时坑很多，请做好心理准备喜欢折腾的同学可以按照下面教程进行部署，我也是被逼无奈请杯子里面装满水，原地坐牢，不出意外的话就马上出意外了，一个BUG一支烟。
RAGflow、dify、DB-GPT、vanna 哪个更好
04-02
### RAGFlow、Dify、DB-GPT 和 Vanna 的功能与性能对比 #### 功能特性分析 RAGFlow 是一款专注于深度文档理解的开源 RAG 引擎，其核心优势在于能够通过 DeepDoc 模块实现对复杂文档结构的高度解析能力[^2]。该模块...
RAGFlow：引领OCR与文档解析技术革新的下一代RAG引擎
xzq_qzx_的博客
04-28 2806
在人工智能的蓬勃发展浪潮中，检索增强生成（RAG）技术凭借其独特优势，迅速成为研究和应用的焦点。RAG技术巧妙地将大型语言模型（LLMs）的卓越生成能力与高效的信息检索系统相结合，为用户带来前所未有的交互体验。然而，随着技术的深入应用，一系列挑战也逐渐浮出水面。现有的RAG系统在处理海量数据时，常常面临效率和准确性的双重考验。尽管LLMs在生成流畅文本方面表现出色，但在面对复杂、非结构化的数据时，它们往往难以精准捕捉和提取关键信息。
【Ragflow】12.Ragflow-Plus管理系统v0.1.1：增加团队管理和用户配置功能
兴趣使然的创作者
04-06 1796
ragflow-plus仓库地址：https://github.com/zstar1003/ragflow-plus
RAGFlow Windows环境下本地部署全攻略
最新发布
以为在机器学习领域与人工智能领域深耕多年的老牛
05-13 3744
本文讲述了如何从0构建RAGFlow，其中包括在windows系统下的docker、WSL以及ubuntu的详细安装步骤，保证初学者一看就会，其中也包括很多在安装中遇到的问题，可以让读者少走很多弯路
快速搭建专业AI知识库的开源工具:Ragflow
m0_59163425的博客
02-04 2216
在大模型应用的蓬勃发展中，检索增强生成（Retrieval-Augmented Generation，RAG）技术占据了举足轻重的地位。它就像是大模型的智慧助手，通过从外部知识库中检索相关信息，并将其融入到大模型的回答生成过程中，有效提升了大模型回答的准确性、可靠性和时效性，在问答系统、智能客服、文档摘要等多个领域都发挥着关键作用。上图是一个常见的AI应用的数据流向图，文档分块之后向量化存储到向量数据库，然后输入文本内容，形成prompt，从向量数据库检索相关的知识背景，发送给LLM之后，返回结果。
纯小白用Ollama+RagFlow 部署本地知识库
weixin_41226870的博客
01-31 3974
什么是WSL？WSL（Windows Subsystem for Linux）是微软开发的一项技术，允许用户在Windows系统中直接运行完整的Linux环境，无需虚拟机。通过操作系统级虚拟化，WSL将Linux子系统无缝嵌入Windows，提供原生Linux命令行工具、软件包管理器及应用程序支持。它具有轻量化、文件系统集成、良好的交互性及开发效率提升等优点，消除了Windows与Linux之间的隔阂，尤其适合开发者和需在Windows平台上使用Linux工具的用户。
运行两个不同项目（`ragflow` 和 `dify`）时，出现了 Redis 容器互相替换
m0_69369857的博客
08-27 2347
3. **进一步排查**：检查了当前正在运行的容器状态，发现 `ragflow-redis` 和 `dify-redis` 容器无法同时存在，启动一个项目的 Redis 容器时，另一个项目的 Redis 容器会被替换。1. **最初发现**：在运行 `dify` 项目时，发现 `ragflow` 项目的 Redis 容器被替换为 `dify` 项目的 Redis 容器。2. **网络和端口冲突**：两个项目的 Redis 容器连接到相同的网络，且使用相同的端口，导致冲突。
RagFlow-v0.18.0 新特性-6管理员可以通过环境变量启用或禁止用户注册。
2502_91798152的博客
05-02 258
RagFlow-v0.18.0 新特性-6管理员可以通过环境变量启用或禁止用户注册
Docker Desktop如何恢复出厂设置
我用VB编程滴
02-14 991
在测试dify、ragfow等几个模型过程中，各种拉镜像建容器，导致错误提示“AssertionError(Can t access Redis. Please check the Redis status.)”，两个模型都无法使用，如何清空重建？
dify对接ragflow知识库
03-22
<think>嗯，用户问的是Dify如何对接RAGFlow知识库。首先，我需要确认这两个工具的具体功能和接口。Dify是一个AI应用开发平台，支持快速构建基于大语言模型的应用，而RAGFlow则是专注于RAG（检索增强生成）的知识库管理系统。对接的关键在于数据流的整合和API的调用。 首先，我应该检查两者的文档，看看是否有现成的集成方案。比如，Dify是否支持直接连接RAGFlow作为知识库来源，或者是否需要通过API进行数据同步。可能需要用户将RAGFlow中的知识库导出为特定格式，再导入到Dify中，或者实时调用RAGFlow的API进行检索。 然后，权限和认证方面，可能需要配置API密钥或OAuth，确保Dify有权访问RAGFlow的数据。另外，数据格式的兼容性也很重要，比如文本的分块方式、元数据字段是否匹配，避免在检索时出现错误。 还有，处理流程方面，当用户在Dify中发起查询时，Dify可能需要将查询发送到RAGFlow进行检索，获取相关文档片段，再结合这些片段生成回答。这里需要确保两个系统之间的通信延迟较低，以提供良好的用户体验。 可能遇到的挑战包括API的稳定性、数据更新的同步机制，以及如何处理大型知识库的性能问题。需要建议用户分步测试，先小规模验证流程，再逐步扩大数据量。同时，关注两者的更新日志，以便及时调整集成方式。 最后，总结对接步骤：1）配置RAGFlow的API访问权限；2）在Dify中设置外部知识库连接，填入RAGFlow的API端点及认证信息；3）测试数据检索和生成流程，调整参数优化结果；4）部署并监控集成后的系统，确保稳定运行。</think>Dify 与 RAGFlow 对接实现 RAG 知识库的整合可分为以下步骤： ### 一、系统定位 1. **Dify**：低代码 LLM 应用开发平台 - 支持可视化编排 AI 工作流 - 提供 RAG 能力集成接口 - 典型场景：智能客服、文档问答 2. **RAGFlow**：开源 RAG 引擎 - 支持多格式文档解析 - 提供语义分块与向量检索 - 特色功能：多路召回策略 ### 二、对接流程 #### 步骤 1：数据准备层 $$ \text{RAGFlow} \xrightarrow{\text{文档解析}} \text{向量库} \xrightarrow{\text{API封装}} \text{服务端点} $$ - 在 RAGFlow 完成： 1. 上传 PDF/Word/Markdown 等文档 2. 配置 chunk_size=512, overlap=64 等参数 3. 生成带元数据的向量索引 #### 步骤 2：接口对接 ```python # Dify 调用示例 response = requests.post( url="https://ragflow-api/retrieve", headers={"Authorization": "Bearer <API_KEY>"}, json={ "query": "用户问题", "top_k": 5 } ) ``` 需配置： - RAGFlow API 端点 - 认证密钥 - 超时参数（建议 timeout=10s） #### 步骤 3：Dify 工作流配置 1. 创建「知识库检索」节点 2. 绑定 RAGFlow 接口地址 3. 设置结果映射规则： ```json { "context": "{{response.results}}", "score_threshold": 0.75 } ``` ### 三、优化要点 1. **混合检索策略**： - 向量检索 + 关键词检索 - 权重分配公式： $$ score = \alpha \cdot sim_{cos} + (1-\alpha) \cdot tfidf $$ 2. **缓存机制**： - 对高频查询做结果缓存 - 设置 TTL=3600s 3. **监控指标**： | 指标 | 预警阈值 | |---|---| | 响应延迟 | >2000ms | | 召回率 | <60% | | 错误率 | >5% | ### 四、典型问题处理 1. **编码问题**： - 统一使用 UTF-8 编码 - 特殊字符转义处理 2. **版本兼容**： - 确认 API 版本对应关系 - 建议 RAGFlow >= 0.3.2 3. **性能调优**： - 批量请求时启用流式响应 - 调整分块策略提升召回率 当前对接方案已在金融文档问答场景验证，实现 QPS 50+ 的稳定服务能力。建议初次对接时通过 Postman 先进行接口调试，再接入完整工作流。
评论
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