ragflow

杂记：ragflow元数据在 RAG（Retrieval-Augmented Generation）系统中，尤其是像 RAGFlow 这样的增强型检索生成框架中，利用元数据（metadata）过滤是提高检索准确性和效率的关键手段。通过合理设计和使用元数据，可以有效缩小检索范围、排除无关文档，从而提升最终问答或生成结果的质量。

window环境pycharm搭建ragflow二开环境通过以下地址下载ragflow源码https://codeload.github.com/infiniflow/ragflow/zip/refs/heads/main

RAG系统架构以上是从原始数据到最终返回 Top-K 结果的完整流程的信息检索或 RAG（Retrieval-Augmented Generation）系统架构图。整个流程分为四个主要阶段：Extraction（提取）、Preprocessing（预处理）、Indexing（索引构建）、Retrieval（检索）。

水中加点糖

RagFlow实现多模态搜索(文、图、视频)与(关键字/相似度)搜索原理（二）在上一篇的文章《源码运行RagFlow并实现AI搜索(文搜文档、文搜图、视频理解)与自定义智能体（一）》中，我们已经了解了如何源码运行RAGFlow，并也通过内置的DeepDoc和接入MinerU的方式对PDF文档进行了解析与搜索。本文中将接着前文，一起感受下RAGFlow的多模态搜索功能。

小码农叔叔

【AI大模型】开源知识库 RAGFlow 从部署到实战操作详解目录一、前言二、RAGflow 介绍2.1 RAGflow 是什么2.2 RAGflow 核心特点与优势

水中加点糖

源码运行RagFlow并实现AI搜索(文搜文档、文搜图、视频理解)与自定义智能体（一）众所周不知，RagFlow是由国内一家公司开源的一款软件，在AI知识库构建、智能体编排等场景中深受全球开发者的喜爱。快速体验地址为：https://ragflow.io/

RagFlow、Dify部署时，端口如何调整成指定端口一、RagFlow部署时的端口调整 1、修改 docker-compose.yml 文件在 RAGFlow 项目的 docker-compose.yml 文件中，找到 ports 配置部分，将默认端口映射改为固定端口。例如：

RAGFlow知识库问答引擎使用指南（一）之前简单调研了一下RAG开源项目：RAG开源框架调研笔记，看上去ragflow挺好的，就试了试github: https://github.com/infiniflow/ragflow

RAGFlow全面教程：从入门到精通，构建企业级智能问答系统1 RAG技术背景与挑战检索增强生成（Retrieval-Augmented Generation，简称RAG）是当前大语言模型（LLM）应用领域最重要的技术范式之一。其核心思想是通过引入外部知识源来增强大模型的能力，解决传统LLM存在的幻觉问题、知识滞后性和专业领域知识不足等局限性。在RAG工作流程中，系统会先从外部知识库中检索与问题相关的信息，然后将这些信息作为上下文与大模型结合，生成最终答案。

利用Python算法，解析PDF文件并生成文档分块Chunks，追加到RagFlow知识库一、知识库的分块选型 1、法律条文需要精准回答：使用python等算法自己分析，形成问答对 2、小说章节需要大片章节：使用知识库本身的分块逻辑

deepseek部署下载ollama压缩包（可在浏览器中打开下载）： https://github.com/ollama/ollama/releases/latest/download/ollama-linux-amd64.tgz 下载执行脚本：wget https://ollama.com/install.sh

企业级AI应用，Dify集成RAGFlow知识库保姆教程在 Dify 能够调用之前，确保 RAGFlow 已经就绪并提供了可访问的 API。具体可以参考：https://blog.csdn.net/qq_35354529/article/details/151149191?spm=1001.2014.3001.5502 注意启动命令使用docker compose -p ragflow up -d

Ragflow 源码：ragflow_server.pyragflow_server.py 是 RAGFlow 项目的主服务器程序，负责启动和管理 RAGFlow 的核心服务。以下是它的主要功能和作用：

Docker 运行RAGFlow 搭建RAG知识库借鉴视频：DeepSeek 10分钟完全本地部署保姆级教程断网运行无惧隐私威胁大语言模型 CPU GPU 混合推理32B轻松本地部署！DeepSeek模拟王者！！_哔哩哔哩_bilibili

Ragflow源码：launch_backend_service.sh

Ragflow 源码：task_executor.pytask_executor.py 是RAGFlow系统中的任务执行器(Task Executor)核心部分，主要负责文档的解析、分块(chunking)、向量化(embedding)和索引(indexing)处理流程。

深度拆解RAGFlow分片引擎之切片实现上一篇深度拆解RAGFlow分片引擎！3大阶段+视觉增强，全网最硬核架构解析讲了切片的整体流程，今天我们来拆下切片的实现。

Python Minio库连接和操作Minio数据库下面通过 docker-compose 快速搭建了一个 MinIO 服务，并使用 Python 客户端库实现了完整的对象存储操作。这些功能包括：

正在走向自律

探索RAGFlow：解锁生成式AI的无限潜能（2/6）文章摘要：本文介绍了 RAGFlow 这一生成式 AI 领域的新型系统架构，它融合了数据检索与生成式模型，通过多阶段处理、智能任务分配等优势，在智能客服、文档生成等多领域有广泛应用，能提升效率与质量。文章还分析了其技术原理、应用场景、技术优势及未来发展趋势，展现了 RAGFlow 在推动各行业数字化转型和智能化升级中的潜力。

【大模型系列篇】RAGFlow递归抽象处理树组织检索：Raptor检索增强型语言模型可以更好地适应世界状态的变化，并整合长尾知识。然而，大多数现有方法只从检索语料库中检索较短的连续块，限制了对整体文档上下文的整体理解。我们引入了一种新颖的方法，即递归地对文本块进行嵌入、聚类和摘要，自下而上构建一个具有不同摘要级别的树。在推理时，我们的 RAPTOR 模型从这棵树中检索，整合不同抽象级别的长文档中的信息。对照实验表明，使用递归摘要的检索在多项任务上比传统的检索增强型 LLM 有显著的改进。在涉及复杂、多步推理的问答任务中，我们展示了最先进的结果；例如，通过将 RA