自然语言处理:第九十九章 私有化RAG封神组合：Dify+RagFlow知识库

最新推荐文章于 2025-06-19 20:02:35 发布
最新推荐文章于 2025-06-19 20:02:35 发布
阅读量1.3k 收藏 18
点赞数 21
CC 4.0 BY-SA版权
分类专栏： 自然语言处理 文章标签： 自然语言处理 人工智能 nlp langchain 深度学习 神经网络 gpt-3
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/victor_manches/article/details/146355076

本人项目地址大全：Victor94-king/NLP__ManVictor: 优快云 of ManVictor


写在前面: 笔者更新不易，希望走过路过点个关注和赞，笔芯!!!

写在前面: 笔者更新不易，希望走过路过点个关注和赞，笔芯!!!

写在前面: 笔者更新不易，希望走过路过点个关注和赞，笔芯!!!


上一次分享Dify+Fastgpt知识库，收到部分朋友的反馈–想了解dify外接ragflow的效果。

图片

图片

以及，还有一些朋友反馈说dify v1.0.0存在不少问题，所以大家都回退到之前版本了。

图片

好消息是：dify最近已经更新到了v1.0.1版本（更新/修复内容如下）

图片

所以，响应大家的号召，今天就给大家带来dify外接ragflow知识库的详细步骤，一起看看接入之后效果到底怎么样~

顺便带大家一起把本地的dify升级到最新的v1.0.1版本。

本期使用的dify和ragflow都是使用docker本地部署的

dify本地部署、ragflow本地部署在往期文章都分享过，这次就不再赘述了。

图片

dify v1.0.0升级到最新v1.0.1

图片

我们先把本地的dify升级成最新v1.0.1版本（我的dify目前还是v1.0.0）

PS：本次升级仅适用于docker部署方式

先进入dify源码所在根目录/docker目录下，把docker-compose.yaml文件备份一个副本。

图片

然后去github上面下载dify v1.0.1最新的docker-compose.yaml文件。

把docker目录下旧的docker-compose.yaml替换掉

图片

没有科学上网的朋友也可以在公众号后台私信：“dify1.0.1” 获取最新v1.0.1版本的docker-compose.yaml文件

袋鼠帝AI客栈持续分享AI实践干货，走超级个体崛起之路

134篇原创内容

公众号

替换之后在地址栏输入cmd 回车，进入docker-compose.yaml所在目录的控制台。

图片

在控制台执行docker-compose up -d

图片

直到出现如下日志，就代表升级启动成功啦

图片

这时候我们访问dify页面：127.0.0.1

点击右上角头像，下拉框中可以看到已经成功升级到v1.0.1了

图片

图片

dify外接ragflow知识库

图片

首先我们需要解决一个问题，就是在本地的ragflow和dify的页面默认的访问端口是有冲突的（用的都是80和443端口）。

如果不解决这个问题就会导致某一方无法正常启动。

我的解决方案是修改ragflow的默认端口，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80端口映射到主机的8000端口，433端口映射到主机的4333端口）

这样就不会和dify的主机端口冲突了

图片

docker-compose.yml有改动的话

需要重新执行docker-compose up -d来重置服务使配置生效（执行位置还是要在docker-compose.yml所在的当前路径）。

图片

重置ragflow之后，我们就可以通过：127.0.0.1:8000 来访问ragflow的页面了。

图片

并且ragflow官方已经提供了dify外接知识库的接口，所以不需要像之前dify外接fastgpt那样自己开发一套适配程序了。

接下来的整个对接过程非常丝滑~

首先，我们需要去拿到ragflow的三个要素：

知识库的api地址、apikey、知识库id

点击ragflow右上角头像->API->API KEY->创建新密钥（复制备用）

并把 API服务器地址 复制备用

图片

我准备把下面 ragflow中的内存条商品表知识库，外接到dify

点击进入

图片

在路径栏中复制知识库id 备用

图片

回到dify这边

在知识库->外部知识库->添加外部知识库

图片

name随便填一个

API Ednpoint：填写http://<ragflow地址>:9380/api/v1/dify

apikey填写刚才在ragflow创建好的apikey，点击保存

图片

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。

windows可以通过在控制台输入ipconfig找到本机内网ip

图片

Linux可以输入ifconfig找到本机内网ip

图片

保存成功的话，会有成功的提示，并且在外部知识库中会增加一条

图片

点击连接外部知识库

图片

按照下图，填写好信息

TopK 和 相似度阈值自行根据需要调整，最后点击连接

图片

就创建成功啦

图片

接下来我们测试看看~

创建一个空白应用，关联刚刚创建的 ragflow-内存条商品表知识库

图片

这里我没有开启重排(不过大家后续使用也可以开启，测试效果)

图片

我在ragflow和dify两边都创建了测试应用(参数都调整到相同状态)

测试了一下（下图，左边dify，右边ragflow）

图片

AUTUMN

图片

图片

我检查了原表格数据，确实表格里面所有海盗船内存条中仅有一种是32G的。

图片

回答挺准的，两边效果一致！目标达成。

本次仅测试知识库问答效果，不对内存条产生购买建议

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。

这样接入还挺丝滑的，非常推荐！

大模型——dify+ragflow知识库
04-11 168
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。
大模型——保姆级实操一台主机同时部署Dify和RAGFlow全流程避坑指南
最新发布
06-23 192
本文主要介绍了在同一设备上部署Dify和RAGFlow的注意事项及具体步骤。作者提醒若设备已部署Dify，需先备份数据再部署RAGFlow，避免端口冲突导致服务异常。通过修改RAGFlow的端口配置（8081:80）解决了端口占用问题，并展示了RAGFlow的基本使用流程，包括账号注册、模型配置、应用创建和知识库管理。部署过程中Dify出现Redis错误，将其从1.4.0升级至1.4.1版本后恢复正常。文章最后预告将介绍Dify与RAGFlow的对接协作方案。
五大AI平台终极PK：Dify、RAGFlow、FastGPT深度实测，谁才是企业知识库Agent首选？
m0_59164520的博客
06-19 2386
2025年，生成式AI技术已渗透到企业服务、知识管理、智能客服等核心场景。随着Dify、RAGFlow、FastGPT、Coze、文心智能体等平台的崛起，企业面临一个新难题：**如何从功能相似的产品中选出真正适配自身需求的工具** ？本文基于对五大平台的深度实测（包括本地部署、数据导入、RAG检索、工作流编排等核心功能），结合技术细节与落地场景，从**易用性、扩展性、性能表现、商业化能力** 四大维度展开对比，为技术负责人和业务决策者提供一份“避坑指南”。
90%企业不知道的RAG优化秘籍：Dify原生集成RAGflow
m0_59164520的博客
05-14 1243
正式开始之前我们还要解决一个小问题，安装好的Dify，忽然就不能加载了。通过分析，应该是我们当时装RAGflow的时候，删除了Docker。这里应该也包含着Dify的docker。
一文读懂 RAGFlow 知识库接入 Dify 的全流程
apo0625的博客
03-19 3562
今天来给大家分享一下，如何将ragflow知识库接入dify，作为dify的外挂知识库。
Dify + RAGFlow：大规模数据场景下的智能问答系统优化
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
05-31 1021
随着企业数据量的不断增长，智能问答系统需要处理的数据规模也在不断扩大。在这种情况下，系统的可扩展性、性能和安全性成为关键问题。本文将探讨如何利用 Dify 和 RAGFlow 构建一个能够处理大规模数据的智能问答系统。我们将详细介绍系统的架构设计、性能优化策略、安全性考虑，以及如何通过代码示例和实际应用场景来展示系统的强大功能。此外，我们还将分享在实际部署过程中需要注意的事项和优化建议。Dify 和 RAGFlow 的结合为企业级问答系统提供了强大的支持。
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 2415
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。
TensorFlow相关组件的安装
AAI666666的博客
01-11 2893
TensorFlow相关组件的安装
大模型入门实战：通过 HuggingFace 调用 Llama3
python12345_的博客
01-10 1637
至此，我们成功演示了如何通过 Hugging Face 的 Transformers 调用 Llama 模型，并获取了模型的回答。但是如果你的需求只是简单地调用模型，而无需进行微调或复杂的部署，可以尝试使用 Ollama。它不仅操作更加便捷，还提供了开箱即用的 RESTful 接口，适合快速集成到生产环境中。下一篇，我将会讲解如何通过 Ollama 下载部署 Llama 模型并调用。
Dify与RAGFlow结合：智能应用开发与深度文档理解的优化
热门推荐
全世界的博客
07-01 1万+
RAGFlow是一个专为深度文档理解和检索增强生成而设计的引擎，它结合了预训练的大型语言模型（LLMs）和高效的检索技术，为用户提供了一个强大的工具来处理复杂的问题和场景。RAGFlow的核心优势在于其混合检索能力，它能够从大规模知识库中检索相关文档，然后将这些信息与模型的生成能力相结合，生成更准确、更全面的答案。这种混合方法特别适用于处理需要深度理解和综合多个信息源的问题，如智能客服、搜索引擎和知识库应用。RAGFlow的工作流程包括两个主要部分：检索和生成。
Dify案例解析：如何高效整合知识库与Ragflow？
2401_84204413的博客
03-06 4186
关于ragflow 安装比较复杂，大家可以去开源github上查看它的安装，本次就不带大家安装了。项目开源地址：https://github.com/infiniflow/ragflow项目文档: https://ragflow.io/docs/dev/目前这个项目用到的组件比较多，用到Elasticsearch、Kibana、MySQL、MinIO、Redis、RAGFlow等，大家可以参考官方文档部署好应用程序。这里我们需要注意的几点。
幕僚云私有化部署Dify+Ollama+DeepSeek-r1
02-14
实施幕僚云私有化部署Dify+Ollama+DeepSeek-r1的项目，对于企业而言，不仅能够提供高效的数据处理能力，还能够在保护企业数据隐私的前提下，助力企业进行数据分析和决策支持，最终实现数据驱动的业务增长和创新。
Dify + RAGFlow：大规模数据场景下的智能问答系统优化与实践
加入“Super Entity”，与全能开发团队共探AI智能体与数字人项目，开启前沿技术之旅。
05-31 860
在当今数字化时代，企业数据量呈爆炸式增长，智能问答系统需要处理的数据规模也在不断扩大。在这种情况下，系统的可扩展性、性能和安全性成为关键问题。本文将探讨如何利用 Dify 和 RAGFlow 构建一个能够处理大规模数据的智能问答系统。我们将详细介绍系统的架构设计、性能优化策略、安全性考虑，以及如何通过代码示例和实际应用场景来展示系统的强大功能。此外，我们还将分享在实际部署过程中需要注意的事项和优化建议。Dify 和 RAGFlow 的结合为企业级问答系统提供了强大的支持。
AI知识库之dify 与 ragflow的联合使用
nalanxiaoxiao2011的博客
06-16 831
dify 与 ragflow 结合，知识库
Dify+RAGFLow：基于占位符的图片问答升级方案（最佳实践）
2301_81940605的博客
05-09 831
Dify+RAGFLow：基于占位符的图片问答升级方案（最佳实践）
Dify 通过 API 调用 RAGFlow 外部知识库
NLP工程化
11-16 8141
本文使用 Dify v0.10.0+ 和 RAGFlow v0.12.0+ 版本（源码运行）。Dify 中的 RAG 一直被诟病，现在 Dify 提供了外部知识库 API，这样就可以连接到 Dify 之外的知识库并从中检索知识。第一个问题是 API 规范，包括接口格式、输入和输出参数等。第二个问题是哪些外部知识库支持该 API 呢？理论上讲只要支持 API 规范都是可行的。
dify案例分享-知识库检索整合Ragflow
Python_cocola的博客
03-06 3853
关于ragflow 安装比较复杂，大家可以去开源github上查看它的安装，本次就不带大家安装了。项目开源地址：https://github.com/infiniflow/ragflow项目文档: https://ragflow.io/docs/dev/目前这个项目用到的组件比较多，用到Elasticsearch、Kibana、MySQL、MinIO、Redis、RAGFlow等，大家可以参考官方文档部署好应用程序。这里我们需要注意的几点。
最近，大模型岗位爆了。。。
qq_46094651的博客
02-16 365
重磅消息，国资委打响了国内AI第一枪！这意味着传统行业又迎来了一次大洗牌，现在国内头部人工智能公司已经开始用AI数字人助力各行各业，除此之外，知名大厂也都在布局AI市场。懂的程序员年薪已经翻到风口之下，与其焦虑被行业淘汰，不如先人一步掌握 AI 大模型技术。为帮助大家提升竞争力，为了帮助普通程序员享受时代红利，
ragflow dify
03-26
<think>好的，我现在需要回答用户关于RAGFlow和Dify的使用教程和对比分析的请求。首先，我得确保自己了解这两个工具的基本信息，以及它们的主要功能和区别。根据用户提供的引用内容，RAGFlow和Dify都是AI应用开发的开源框架，但侧重点不同。 首先，用户需要教程和使用方法。对于RAGFlow，我应该提到它专注于RAG流程的优化，可能涉及文档解析、向量检索等步骤。而Dify更偏向于多模型集成和可视化开发，支持多种模型如GPT、Mistral等。我需要分步骤说明两者的基本使用流程，可能需要参考官方文档的结构，比如安装、配置、核心功能操作等。 接下来是对比分析部分。根据引用[2]，Dify支持多模型集成，适合需要多种模型的企业，而RAGFlow可能在RAG流程优化上更专业。需要从定位、功能、适用场景等方面进行比较，列出各自的优缺点。比如，RAGFlow可能在处理复杂检索任务时更高效，而Dify在灵活性和多模型支持上更优。 然后，我需要确保回答符合系统级指令：使用正确的中文，数学公式用$...$，独立公式用$$...$$，虽然这个问题可能不涉及太多数学，但要注意结构清晰。同时，生成相关问题，可能涉及使用场景、技术架构、部署方式等。 还要检查是否有遗漏的信息，比如是否需要更多详细步骤或具体示例。用户可能需要更深入的操作指南，但由于信息有限，建议他们查阅官方文档。同时，引用标记要正确添加，比如在提到对比分析时引用[^2]，在建议查阅文档时引用[^1]。 最后，生成的相关问题需要围绕用户可能感兴趣的方面，比如如何选择工具、技术架构差异、企业部署案例等。确保问题具有实际参考价值，帮助用户进一步探索。</think>### RAGFlow 与 Dify 的使用教程与对比分析 #### **一、RAGFlow 使用教程** 1. **安装与部署** RAGFlow 支持 Docker 部署，需先安装 Docker 环境。通过以下命令拉取镜像并启动服务： ```bash docker pull infiniflow/ragflow docker run -d -p 8080:8080 infiniflow/ragflow ``` 启动后可通过 `http://localhost:8080` 访问 Web 界面[^1]。 2. **核心功能操作** - **文档解析**：支持 PDF、Word 等格式，自动提取文本与结构化数据。 - **向量检索**：内置多模态向量模型（如 BERT），提供语义检索能力。 - **问答生成**：基于检索结果生成答案，支持自定义 prompt 模板[^1]。 --- #### **二、Dify 使用教程** 1. **快速开始** Dify 提供云服务与本地部署两种方式。本地部署推荐使用 Docker： ```bash docker run -d -p 3000:3000 dify/dify ``` 访问 `http://localhost:3000` 进入控制台。 2. **核心功能操作** - **多模型集成**：在设置中添加 OpenAI、Mistral 等模型的 API 密钥。 - **可视化编排**：通过拖拽组件构建 AI 工作流（如意图识别→模型调用→结果过滤）。 - **应用发布**：一键部署为 API 或 Web 应用。 --- #### **三、RAGFlow 与 Dify 对比分析** | **维度** | **RAGFlow** | **Dify** | |----------------|------------------------------------------|-------------------------------------------| | **核心定位** | 专注 RAG 流程优化 | 多模型集成与低代码开发平台 | | **关键技术** | 文档解析、向量检索、问答生成 | 工作流编排、模型管理、API 网关 | | **适用场景** | 知识库问答、垂直领域检索 | 多模型应用开发（如客服机器人、内容生成） | | **优势** | 检索精度高，支持复杂文档处理 | 灵活性高，生态扩展性强 | | **局限** | 模型定制能力较弱 | RAG 功能需额外开发 | --- #### **四、如何选择工具？** - **选 RAGFlow**：需快速构建高精度检索问答系统，且文档结构复杂（如技术手册、法律文本）。 - **选 Dify**：需集成多种模型（如 GPT-4 + Llama3）或快速开发 AI 应用原型。 ---
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

打赏作者

曼城周杰伦

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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