使用RAGFlow搭建知识库

最新推荐文章于 2025-04-27 15:14:25 发布
最新推荐文章于 2025-04-27 15:14:25 发布
阅读量1.4k 收藏 8
点赞数 28
分类专栏： 人工智能 文章标签： ragflow 人工智能 ai
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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_45146962/article/details/145926140
版权

文章目录

RAGFlow简介

RAGFlow‌是一种基于Retrieval-Augmented Generation（RAG）技术的开源引擎，旨在通过融合数据检索和生成式模型，提升大型语言模型（LLM）的回答准确性和效率。RAGFlow的核心思想是将大规模检索系统与先进的生成式模型相结合，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‌。

RAGFlow下载

RAGFlow github开源网址：https://github.com/infiniflow/ragflow

git clone https://github.com/infiniflow/ragflow.git

也可通过github下载压缩包

在这里插入图片描述
我们看下docker目录中的文件，主要关注圈中的3块

  • .env 主要是docker部署的时候一些变量
  • service_conf.yaml.template是服务启动使用的配置文件，需要和.env文件里的配置对应，特别是端口•
  • 需要注意的是，在mac操作系统下，会引入2

Docker拉取镜像

Docker window环境安装使用参考文档

在 D:\devSoftwareInstall\ragflow\ragflow-main目录下执行命令

docker compose -f docker/docker-compose.yml up -d

如果80端口可以正常使用的话，执行上面的命令也可以启动RAGFlow服务，也可用下面的命令进行启动。
在这里插入图片描述

启动RAGFlow

上一步拉取镜像之后，在相同目录下执行

docker logs -f ragflow-server

运行RAGFlow并进行配置

运行成功后的页面如下：
在这里插入图片描述

模型配置

在这里插入图片描述

查看配置拉取的模型

在这里插入图片描述
将本地模型配置到RAGFlow中

添加chat模型

在这里插入图片描述

添加embedding模型

在这里插入图片描述

系统模型设置

在这里插入图片描述

创建知识库

在这里插入图片描述
定义好知识库名称后会进入如下页面：
在这里插入图片描述
修改好语言，进行保存，便配置好知识库

数据集可以先不关联，后期在文件管理中进行管理
在这里插入图片描述

文件管理

在这里插入图片描述

文件夹管理中的新增文件，同数据集里面新增文件类似，但在文件管理中添加层次更加明确。

在这里插入图片描述

至此我们的知识库便搭建成功了，还有很多功能需要我们进一步的研究。

添加模型报错

在这里插入图片描述
出现这个问题是因为网络端口不通的原因，我们将RAGFlow部署到docker中，docker是运行在window下的容器中，导致端口无法进行访问。需要在系统环境中进行配置。
在这里插入图片描述
添加上11434这个端口，重新启动系统，再进行添加便可成功。

ragflow创建知识库
qq_37193169的博客
05-04 62
Win10系统Docker+DeepSeek+ragflow搭建本地知识库
yilvyangguang520的博客
02-18 2014
Win10系统Docker+DeepSeek+ragflow搭建本地知识库
一文读懂RAGFlow：从 0 到 1教你搭建RAG知识库
python12345_的博客
02-26 6605
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。
万字详解｜基于RAGFlow框架搭建企业知识库指南
Z4400840的博客
03-31 2214
在生成式人工智能（Generative AI）快速发展的当下，大语言模型（LLMs）的幻觉问题始终是制约其落地应用的关键瓶颈。检索增强生成（RAG）技术通过引入外部知识库，将动态检索与生成能力结合，为解决这一难题提供了重要思路。
RAGFlow搭建全攻略：从入门到精通，轻松构建RAG知识库
m0_63171455的博客
04-27 3099
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。
RagFlow搭建私有化知识库
weixin_43008312的博客
12-23 2008
♥♥♥知识库、无幻觉聊天和文件管理是RAGFlow的三大支柱。RAGFlow的AI聊天基于知识库。RAGFlow的每个知识库都作为知识源，将从本地机器上传的文件和文件管理中生成的文件引用解析为未来AI聊天的真正“知识”。
快速搭建专业AI知识库的开源工具:Ragflow
m0_59163425的博客
02-04 2206
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。
DoKuWiki知识库的搭建
qq_28337667的博客
04-02 2419
DoKuWiki知识库的搭建（二）第二章主要记录下几个常用插件的使用，主要是对官网的指导手册进行理解1、Add New Page Plugin2、vector 主题(1)、修改logo 图标： 直接替换将图片复制到vector/user中，改名为logo.png/jpg 即可(2)、修改底端的引用button，可以添加和修改 /vector/user/button.php文件(3)、修改 tab
DeepSeek+Ragflow搭建个人知识库
m0_63171455的博客
02-14 6231
利用Deepseek+Ragflow搭建的知识库过程还是比较简单，正常跟着流程走不容易出错。如果投喂的数据经过整合处理，那么反馈的结果还是有一定的实际意义。当前个人能部署的模型参数太少，尚处于体验阶段。相信不久的将来，大模型不断发展，个人能部署性能更强大的模型。
RAG与知识库搭建，手把手教你构建RAG系统
qkh1234567的博客
11-13 4221
自从发现可以利用自有数据来增强大语言模型（LLM）的能力以来，如何将 LLM 的通用知识与个人数据有效结合一直是热门话题。关于使用微调（fine-tuning）还是检索增强生成（RAG）来实现这一目标的讨论持续不断。检索增强生成 (RAG) 是一种使用来自私有或专有数据源的信息来辅助文本生成的技术。它将检索模型（设计用于搜索大型数据集或知识库）和生成模型（例如大型语言模型 (LLM)，此类模型会使用检索到的信息生成可供阅读的文本回复）结合在一起。
如何使用RAGFlOW知识库模型,调用RAGFlOW接口
最新发布
05-11
如何使用RAGFlOW知识库模型,调用RAGFlOW接口。 使用RAGFlOW知识库模型,调用RAGFlOW接口，通过调用RAGFlOW的API，进行调用 （1）自行部署RAGFLOW，详见官方文档，并且详细了解RAGFlOW的API接口 （2）选择适合自己...
RAGFlow上传知识库，语义相近的问题无法正常识别回答，如何优化？
本博客，博文仅代表个人操作经验，不能完全解决你的问题，仅供参考，佛系回复。
03-31 290
RAGFlow。
基于 Ragflow 搭建知识库-初步实践
qq1164014750
12-28 5964
Ragflow 是一个强大的工具，可用于构建知识库，实现高效的知识检索和查询功能。本文介绍如何利用 Ragflow 搭建知识库，包括环境准备、安装步骤、配置过程以及基本使用方法。
2025最全RAGFlow搭建指南：一篇搞定所有技术细节
2301_82275412的博客
04-01 3339
RAGFlow是一个基于检索增强生成（Retrieval-Augmented Generation，简称RAG）的框架，它结合了检索（Retrieval）和生成（Generation）两个关键的自然语言处理技术。为我们提供了一种强大的方式来处理复杂的自然语言处理任务，它能够生成更加准确、丰富和相关的结果。
基于DeepSeek的本地化知识库 RAGFlow 搭建(附带镜像链接)
2401_85327249的博客
02-22 2485
DeepSeek部署完后，除了正常的聊天使用，实际上更想基于它做一些更符合预期的事情，比如基于某些事实或者数据，能给我推理出来相关的结果或者尽量限制在某一部分进行回答，这个比较突出的表现方式就是知识库，其中，最新最新出来的开源 RAGFlow 很不错，这就部署出来瞅一下。
【干货】带你一步步搭建RAGFlow
热门推荐
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。
RAG实践 - 搭建本地知识库 - Ollama + AnythingLLM
sagima_sdu的博客
06-25 3583
RAG，即检索增强生成（Retrieval-Augmented Generation），是一种先进的自然语言处理技术架构，旨在克服传统大型语言模型（LLM）在处理开放域问题时的信息容量限制和时效性不足。RAG通过融合信息检索系统的精确性和语言模型的强大生成能力，为基于自然语言的任务提供了更灵活和精准的解决方案。
大模型 搭建知识库 RAG
qq_44496832的博客
02-12 1410
LLM具有强大的语言理解和生成能力，当下存在一些局限性，失效受制、专业能力有限和定制成本高。有两种开发范式RAG（实时更新）和Finetune（个性化微调）。RAG 检索增强生成基于langchain搭建rag应用构建向量数据库搭建知识库助手基于gradio的web部署。
搭建知识库-DataWhale笔记
wang1664178416的博客
04-23 1316
搭建知识库-DataWhale笔记
ragflow知识库
02-08
### RAGFlow知识库的实现与应用 RAGFlow是一种结合检索增强生成（Retrieval-Augmented Generation, RAG）技术的工作流框架，在处理复杂查询和提供精准信息方面具有显著优势。通过集成高质量的知识源，可以有效提升自然语言理解和生成任务的效果。 #### 构建RAGFlow知识库的关键要素 为了构建高效的RAGFlow知识库，需考虑以下几个核心组件： - **数据收集**：从多个渠道获取结构化或非结构化的文本资料作为初始语料库[^1]。 - **索引建立**：利用倒排索引或其他高效的数据结构来加速文档检索过程，确保能够快速定位相关内容片段。 - **向量表示学习**：采用预训练的语言模型如BERT等对输入问题及候选答案进行编码转换成稠密向量形式，便于后续相似度计算操作。 - **融合策略设计**：定义如何综合来自不同来源的信息片段以形成最终回复的方法论；这可能涉及到权重分配、置信度评估等多个维度考量。 #### 实现流程概述 以下是创建并运用RAGFlow知识库的一般步骤说明： 当接收到用户提出的特定领域内的询问时， - 首先调用搜索引擎API接口或者本地数据库查询服务，依据关键词匹配原则初步筛选一批潜在有用的资源链接列表； - 接着借助于预先搭建好的嵌入式表征空间完成上述候选项同实际提问间的距离测量工作，并挑选出最贴近目标意图的部分组成临时上下文环境； - 最终由对话管理模块负责统筹规划整个交流环节中的逻辑流转顺序以及输出格式调整事宜，从而给出既贴合事实又易于理解的回答内容给到终端使用者面前。 ```python import torch from transformers import BertTokenizer, BertModel def encode_text(text_list): tokenizer = BertTokenizer.from_pretrained('bert-base-uncased') model = BertModel.from_pretrained('bert-base-uncased') inputs = tokenizer(text_list, return_tensors="pt", padding=True, truncation=True) outputs = model(**inputs) embeddings = outputs.last_hidden_state.mean(dim=1).detach().numpy() return embeddings ```
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