知识库

RAG与RAGFlow详解：从原理到应用RAG全称是Retrieval-Augmented Generation（检索增强生成），是一种将信息检索与大语言模型生成能力结合的技术架构。

Dify使用ChatFlow实现调用数据库问答这个案例是测试demo！！！线上使用一定要注意数据安全问题！！！Docker部署Dify看这里：win11系统使用DockerDesktop搭建Dify实现知识库问答

win11系统使用DockerDesktop搭建Dify实现知识库问答一、安装Docker安装Dify1、安装docker，最好win11系统，不然会有很多错误，然后改下镜像源拉取速度会快点，还有镜像的存储位置防止C盘爆满。

智能调度赋能交通行业：从经验驱动到数据智能的跨越我干交通这行十几年了，每次看到"智慧交通"四个字，脑子里第一反应就是：又来了。不是说这玩意儿不好，而是太多方案听起来高大上，用起来却差点意思。有的花了大几百万上了系统，结果调度员还是习惯用Excel和微信群调车；有的搞了一堆大屏展示，客流数据实时更新了，但没人知道该怎么用这些数据做决策。

给自己做减法

知识库检索，ragdify知识库检索当使用dify的时候，发现可以通过文件等方式直接导入知识库，但是发现一个离奇的事情，就是导入的文档，直接搜素无法找到答案，查看文档后，发现文档被定义了一些关键字。经过测试发现，只有按照关键字查找，才有办法找到知识库内容。原来dify默认是采用经济类型，就是关键词检索（BM25）为主，0 token消耗，有点类似MySQL的精准命中。

JD技术委员会

企业知识库选型指南：Confluence、PingCode等7款主流产品对比摘要：本文分享了7款企业知识库：包括：1.PingCode； 2.Confluence； 3.亿方云； 4.语雀； 5.Guru； 6.Document360； 7.飞书知识库

从零到一构建企业级 RAG 问答系统：一个完整的模块化实践指南在人工智能技术飞速发展的今天，大语言模型（LLM）展现出了惊人的能力。然而，如何让 LLM 真正落地到垂直领域，解决实际问题，仍然是一个值得深入探讨的课题。RAG（Retrieval-Augmented Generation，检索增强生成）作为目前最成熟的解决方案之一，通过将外部知识库与 LLM 结合，有效解决了模型知识更新滞后、幻觉等问题。

数字政务新基建：政务服务智能审批全流程升级现在各地都在提数字政府建设，政务服务智能化转型已经成了标配。从"最多跑一次"到"一网通办"，花样越来越多。但说实话，在智能审批这件事上，很多基层政务服务部门其实挺头疼的。

Karpathy的LLM Wiki：一种将RAG从解释器模式升级为编译器模式的架构Andrej Karpathy在GitHub上发布了一份名为LLM Wiki的文档引起了巨大的关注，一派认为"这不就是多绕了几步的RAG"，另一派已经打开编辑器着手搭建测试。

claude +obsidian 建立自己的AI知识库，基于 karpathy其实最近一直有建立自己的知识库的方法，腾讯有个ima，但是苦于没有linux的模式。一般的知识库呢又是云端的，害，我不想整云端的，我只想本地，昨天刷视频刷到了karpathy的数据库构建方法，我感觉可以试试，应该可以提升自己使用ai的能力。

小遥搜索生态新成员：一键导出钉钉文档，实现本地AI搜索作为一名独立开发者，我之前开发了小遥搜索（https://github.com/dtsola/xiaoyaosearch）——一个本地 AI 搜索工具，目前已经获得了 1000+ GitHub Stars。

从“找答案”到“解决问题”：qKnow 如何用“预置+迭代”体系打通 AI 落地最后一公里？过去两年，AI 工具、知识库、智能助手、Agent 平台层出不穷，但企业真正落地时却发现：AI 进入下半场，真正稀缺的不是炫酷的工具，而是把技术转化为业务价值的落地能力。正是在这样的背景下，qKnow 专业版完成了一次架构级的重大升级——从单纯的知识图谱 + RAG 知识平台，进化为集 Bot 构建、开箱即用的应用、行业解决方案于一体的行业智能体构建平台。

Java 开发者零成本构建 RAG 知识库：Spring AI Alibaba + Ollama 搭建本地 RAG 知识库大模型再聪明，也不了解你的公司内部文档。RAG 就是让通用模型学会"你的知识"的最佳方案。假设你是一家公司的技术负责人，团队积累了大量内部文档——产品手册、运维手册、技术规范、FAQ。现在你想做一个智能问答系统，让员工可以用自然语言提问。

软件工程师知识库搭建本文介绍一些个人工作中的搭建一些知识库，经常需要查询内容都适合做成知识库，利用RAG技术实现全文搜索和智能匹配，知识库软件可以使用notion或者腾讯的ima工具。

麦哲思科技任甲林

用AnythingLLM 搭建知识库，我所经历过的坑在用AnythingLLM搭建知识库时，按阶段分类整理了我遇到的所有问题如下：一、核心概念与选型类问题

RAG 知识库检索参数怎么调？一篇讲清 top_k、BM25、Rerank、各种阈值的区别很多人在刚开始做知识库问答、Dify 工作流、RAG 系统时，最容易遇到的问题不是“模型不够强”，而是：

第九章：RAG知识库开发之【LangChain 基础入门：从零构建大模型应用】目录前言一、LangChain 概述与核心架构1.1 什么是 LangChain？1.2 六大核心模块

第四章：RAG知识库开发之【深入浅出 Naive RAG：从零构建你的第一个检索增强生成系统】目录前言第一部分：知识库搭建1.1 文档加载1.1.1 加载 PDF 文件1.1.2 加载 Markdown 与文本文件

实战！【一个企业知识库的逐步搭建】持续更新ing博主在一个医疗制造公司做IT，有一天，一个同事给我说，坏了，最近一批原材料又出问题了。我问她，为什么会出现这种问题，好像也不是第一次。她回答说，最近做了一个变更，但是负责的团队没有识别到这个物料的风险，所以忽略了这个物料的变更。我那时就在想，现在AI的发展，早就可以在这块领域提前发现风险，或者退一步来说，可以帮助发现风险。于是，我就产生了这个想法，做一个企业级的知识库协作平台，实现以下目标： 1、第一阶段完成知识库的搭建，支持上传文档到知识库，通过对话的方式完成对应知识的搜索与呈现 2、进一步扩充知识域，

GraphRAG【部署 01】Linux环境安装部署GraphRAG并使用Ollama本地大模型话不多说，先上 GitHub 文档地址：https://microsoft.github.io/graphrag/get_started/，本次在 Linux 环境下进行一次安装测试，环境说明：