大模型RAG知识库使用案例：ragflow、maxkb

已于 2024-10-18 17:43:35 修改
阅读量3.7k 收藏 2
点赞数 23
CC 4.0 BY-SA版权
分类专栏： 深度学习 大模型AI 文章标签： 知识库 大模型 rag ollama
于 2024-04-18 15:03:38 首次发布
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/weixin_42357472/article/details/137921539
本文档介绍了如何使用RAGFLOW大模型，特别是RAG知识库，以及如何结合ollama模型进行操作。支持多种文件类型的处理，包括Word、PPT、Excel等。首先，需要调整vm.max_map_count参数，然后下载代码并用Docker Compose运行。在端口不冲突的情况下，通过前端页面注册账号进入系统，设置模型和知识库，最后实现聊天功能。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

ragflow

参考：
https://github.com/infiniflow/ragflow/blob/main/README_zh.md
支持丰富的文件类型，包括 Word 文档、PPT、excel 表格、txt 文件、图片、PDF、影印件、复印件、结构化数据, 网页等。
在这里插入图片描述

运行步骤：

1、确保 vm.max_map_count 不小于 262144 【更多】：

如需确认 vm.max_map_count 的大小：

$ sysctl vm.max_map_count
如果 vm.max_map_count 的值小于 262144，可以进行重置：

这里我们设为 262144:
$ sudo sysctl -w vm
了解本专栏 订阅专栏 解锁全文 超级会员免费看
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
【DeepSeek R1构建本地RAG知识库】应用框架选型对比（MaxKB、Dify、FastGPT、RagFlow、Anything-LLM）
少说，多做
02-17 3053
在人工智能技术加速渗透各行各业的今天，检索增强生成（Retrieval-Augmented Generation, RAG）技术正以破竹之势重塑知识管理范式。相较于传统大模型"黑箱式"的知识调用，RAG通过将私有数据与生成模型深度耦合，在保障数据主权的同时实现了精准可控的知识输出，这一特性使得企业级用户对本地化RAG解决方案的需求呈现爆发式增长。面对琳琅满目的RAG框架选型，开发者往往陷入"选择困难症"的泥淖：MaxKB标榜的零代码可视化部署是否真能实现开箱即用？
RagFlow优化&代码解析(一)
zzq1989_的专栏
06-03 1700
摘要：本文介绍了RagFlow检索优化实践，通过将ElasticSearch替换为Infinity数据库显著提高响应速度。文章分析了两者在混合搜索中的性能差异（Infinity快约40倍），并详细讲解了替换步骤。接着从架构设计、模块划分角度解析了RagFlow系统，重点剖析了其核心的文件解析机制和任务处理流程，包括基于Redis的异步任务队列实现。最后通过源码展示了文档分页处理和任务调度的具体实现逻辑。
RagFlow 源码部署启动指南
最新发布
xiaoyanboke的博客
07-01 1241
阅读源码发现其实就是启动 task_executor.py 和 ragflow_server.py 两个服务，但是还有相关的环境变量不知道怎么设置。不知道原因：后面新建了个环境变量文件，把所有的注释都去掉，就能用了。如果已安装，可跳过。#redis_port 无法解析。配置文件示例（建议放入。
LLM框架对比选择：MaxKB、Dify、FastGPT、RagFlow【RAG+AI工作流+Agent]
m0_63171455的博客
12-12 2万+
开箱即用：支持直接上传文档、自动爬取在线文档，支持文本自动拆分、向量化、RAG（检索增强生成），智能问答交互体验好；无缝嵌入：支持零编码快速嵌入到第三方业务系统，让已有系统快速拥有智能问答能力，提高用户满意度；灵活编排：内置强大的工作流引擎，支持编排 AI 工作流程，满足复杂业务场景下的需求；模型中立。
RAGFlow: 一个完整的RAG使用解决方案(附教程)
2301_81888214的博客
03-25 2510
RAGFlow 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。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。
[译] RAGFlow 使用说明
热门推荐
AI工程化、开源分享、文档翻译、代码笔记
08-28 3万+
快速启动 一、先决条件 二、启动服务器 1、确保 `vm.max_map_count` ≥ 262144: 2、克隆存储库： 3、构建预构建的Docker映像并启动服务器： 三、配置LLM 四、创建您的第一个知识库 五、文件解析 六、设置一个AI聊天 配置知识库 一、创建知识库 二、配置知识库 1、选择块方法 2、选择嵌入模型 3、上传文件 4、解析文件 5、干预文件解析结果 6、运行检索测试 三、搜索知识库 四、删除知识库 开始AI聊天 一、开始一个AI聊天 二、更新现有对话的设置 三、将聊天功能集成到您
来了来了！企业开源知识库RAGFlow使用教程
2401_85373898的博客
06-16 2221
下面，来介绍下RAGFlow的核心功能。从下面图中可以看出，有5个，但是最核心的，其实就两个，一个是知识库（最核心），一个是聊天，其他三个都是辅助功能。有人好不同意了，人家也有Agent智能体功能啊，但实话，个人用起来，不是特别好用，简单的场景还可以，复杂的场景，支持有限。先从非核心功能介绍起：1、文件管理顾名思义，就是管理你上传的各种知识库文件，没啥多说的。2、搜索单纯的侧重于对知识库文件内容进行检索，会显示出来内容出处（检索片段）。这里要区别于最上面【聊天】的菜单。
RAGFlow+DeepSeek-R1:14b落地案例分享（足够详细）：机加工行业设备维保场景
2401_84204413的博客
02-22 1365
2.1。
【大模型框架】LLM大模型开源RAG框架汇总
AGI_GGbond的博客
11-04 1075
本文搜集了一些开源的基于LLM的RAG（Retrieval-Augmented Generation）框架，旨在吸纳业界最新的RAG应用方法与思路。如有错误或者意见可以提出，同时也欢迎大家把自己常用而这里未列出的框架贡献出来，感谢~
开源AI大模型LLM低代码智能体框架选型最佳实践——MaxKB、Dify、FastGPT、RagFlow、Anything-LLM,RAG+AI 工作流+Agent+deepseek
Ai大模型，odoo，idempiere,metasfresh,低代码，ecshop数据采集发布接口，zencart，lightinthebox，shopex 数据采集接口
02-20 2568
开箱即用：支持直接上传文档、自动爬取在线文档，支持文本自动拆分、向量化、RAG（检索增强生成），智能问答交互体验好；无缝嵌入：支持零编码快速嵌入到第三方业务系统，让已有系统快速拥有智能问答能力，提高用户满意度；灵活编排：内置强大的工作流引擎，支持编排 AI 工作流程，满足复杂业务场景下的需求；模型中立。
这款超实用的 AI 知识库问答系统：MaxKB
DEVELOPERAA的博客
11-27 1641
如果你一直在寻找一种简单易用的方式来为自己的网站或业务系统增添 AI 助手，那么 MaxKB 绝对是你的最佳选择。
RagFlow本地部署使用
qq_43548590的博客
10-29 3万+
开源RAGFlow引擎：打造无幻觉、高精度的文档理解与生成体验RAGflow，这个新兴的开源RAG（Retrieval-Augmented Generation）引擎，正以其独特的深度文档理解能力，为大型语言模型的应用带来了革命性的变革。在处理PDF文件时，我们经常面临提取干净数据的挑战，而RAGFlow的出现，恰恰解决了这一问题，它能够提供准确无误且无幻觉的生成结果。
快速搭建专业AI知识库的开源工具:Ragflow
m0_59163425的博客
02-04 2331
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。
RAG+AI工作流+Agent：全面对比MaxKB、Dify、FastGPT、RagFlow、Anything-LLM
pythonhy的博客
10-18 1万+
MaxKB = Max Knowledge Base，是一款基于 LLM 大语言模型的开源知识库问答系统，旨在成为企业的最强大脑。它能够帮助企业高效地管理知识，并提供智能问答功能。
多模态模型在RagFlow中的应用
m0_59235945的博客
06-04 1293
在RagFlow的最新版本中（0.19.0）中，为了提升对文档中各类图片的解析效果，也尝试引入了多模态模型（image2text）对图片内容进行增强解析。我们来详细分析一下相关的过程。
RAGFlow聊天助理参数设置探索（附案例）
iiiiiiimp的博客
04-09 1700
ragflow 聊天助理参数解析
【干货】带你一步步搭建RAGFlow
m0_59235245的博客
09-09 2万+
上星期给各位同学介绍了RAGFlow这个大模型RAG引擎，本篇给大家介绍一下RAGFlow的本地搭建，以下过程基于Ubuntu24，其它Linux系统的搭建方法也基本相同。先来温补一下，RAGFlow是一个基于对文档深入理解的开源 RAG（检索增强生成）引擎。它的作用是可以让用户创建自有知识库，根据设定的参数对知识库中的文件进行切块处理，用户向大模型提问时，RAGFlow先查找自有知识库中的切块内容，接着把查找到的知识库数据输入到对话大模型中再生成答案输出。
大模型AI应用系统Dify,RAGFlow,MaxKB,FastGPT,OpenWebUI详细对比
awei0916的专栏
03-20 2821
企业知识管理：MaxKB（知识图谱 + 权限管理）或 FastGPT（轻量级 RAG 构建）。深度文档问答：RAGFlow（灵活检索逻辑）。AI 应用开发：Dify（全流程开发）或 FastGPT（RAG 流程编排）。模型部署与测试：OpenWebUI（本地即开即用）。
伪知识图谱：提升RAG增强型大型语言模型的检索能力
资源摘要信息:"伪知识图谱：元路径引导检索与图内文本技术，助力RAG增强型LLM" 大型语言模型（LLMs）是自然语言处理领域的重大突破，它们通过深度学习技术使机器能够理解和生成与人类交流相似的文本，应用于聊天...
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

loong_XL

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