dify案例分享-知识库检索整合Ragflow

最新推荐文章于 2025-04-19 16:26:18 发布
最新推荐文章于 2025-04-19 16:26:18 发布
阅读量3.3k 收藏 25
点赞数 17
文章标签： 人工智能 政务 知识图谱 大数据 算法
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.csdn.net/Python_cocola/article/details/146066987
版权

今天给大家介绍一下关于dify和ragflow知识库整合案例，顺便给大家介绍一下ragflow。

话不多说，下面给大家演示一下效果。

我们首先看一下ragflow测试效果

上面是使用ragflow 自己的知识库检索获得查询结果。

dify上使用外部知识库（ragflow）效果

这里它也是通过知识库获取萧瑟这人物的信息。效果感觉和上面有点差异，这里可能是用的大语言模型总结能力的差异。另外还有模型温度等设置有差异。这里我们就不纠结它了，本文主要教会大家如何使用。

通过上述方式我们就已经实现了dify通过外部接口实现知识库检索增强。 下面介绍一下这块是如何实现的。

2.ragflow 安装（简介）

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。RAGFlow 对外提供3个端口服务 80 、443 、9380 其中接口用到了9380 后面和dify整合会用到。

我们使用docker ps 也可以看到占用的端口情况

安装好后，配置好模型，创建好知识库。

配置好模型

这个配置和其他工具模型配置类似，这里就不详细展开。

3.ragflow 创建知识库

创建好知识库，点击ragflow 创建知识库。

进入模型设置界面 选择好嵌入模型和解析方法

这里解析方法比较多，我们这里就选择general 大家可以自己摸索 其他的解析方法。ragflow 这块做的比较强大。点击确定进入数据集页面

我们点击新增加文件。上传我们要解析的私有化知识库文档，然后点击解析完成文档向量化。

程序提供单个文件解析，同时也提供批量解析，大家可以根据自己的需要选择使用。

4.ragflow 知识库检索

回到聊天窗口界面

聊天窗口配置有3个选项面板（助理设置、提示引擎、模型设置）

助理设置，这里最关键就是 填写助理姓名和选择指定的知识库

提示引擎 如果大家没有 Rerank模型 可以默认不选。

模型设置，这里需要填写选择一个LLM大语言模型作为推理模型使用。

以上设置完成后就可以进行聊天对话了。

以上设置我们完成了ragflow相关设置。

5.ragflow API 设置

我们接下来是需要dify调用这个ragflow ，所以我们需要设置一下ragflow api key.

点击系统右上角，选择 API

API 服务器 显示ragflow 对外提供的IP. 我的显示是192.168. XXX.XX

点击上面key生成ragflow 对外提供的API

下面就是ragflow 对外提供的HTTP 请求API接口文档，这里就不详细展开。

6.dify配置外部知识库

我们回到dify 工作流管理界面，点击上面知识库。点击链接外部知识库。

我们也可以点击右边的外部知识库API 先把外部知识库API 配置好。

这里我需要添加3个值

1: name 这个可以随便写一个名字

2: API Endpoint 这个就是和ragflow 整合的地址

因为我们的RAGflow 对外提供的是192.168.xx.xx 我这里填写
http://192.168.XX.XXX:9380/api/v1/dify

  1. api key 就是上面ragflow-开头的api KEY

    连接外部知识库

    外部知识库 API 从我们刚才配置的下拉选择，

这个外部知识库 ID 如何获取呢？我们回到RAGflow 知识库画面,浏览器F12把调试画面打开，查看list 接口返回，我们找到少年歌行的知识库 找到这个ID=5c93a392f8a411ef96e60242ac120004.把这个值记录下来。

把刚才抓取的ID 复制到dify 配置外部知识库 ID

点击链接完成dify 和ragflow知识库连接整合。

通过上图我们看到dify 和ragflow已经实现整合了。

7.dify ai agent使用外部知识库

进入ai Agent 聊天界面，在上下文添加外部知识库。

后面就可以进行知识库检索了，检索的是调用通过工具调用知识库。

以上我们就完成了dify +ragflow 的整合了。

8.总结

今天主要带大家介绍了 Dify 与 ragflow 知识库检索整合的案例。首先回顾了之前 Dify 知识库检索存在的不足，引出了 ragflow 在知识库检索方面的优势。关于 ragflow 部分，介绍了其安装（因复杂未详细展开，给出了开源地址和文档），说明了用到的组件及对外提供的端口服务，讲述了创建知识库的流程（包括模型设置、选择解析方法、上传文档解析向量化等），还介绍了 ragflow 知识库检索的相关设置（助理设置、提示引擎、模型设置）以及 API 设置（获取 API 服务器 IP、生成 API key 等）。对于 Dify 部分，介绍了配置外部知识库的操作（添加 name、API Endpoint、api key 等），以及如何获取外部知识库 ID 完成连接整合，最后还提到了 Dify ai agent 如何使用外部知识库进行检索。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

Dify知识库：使用Dify与BGE-M3搭建RAG（检索增强生成）应用
xiezhipu的博客
12-01 4292
RAG 是 “Retrieval-Augmented Generation” 的缩写，这一术语首次由Facebook AI Research (FAIR)团队在2020年提出，并在他们发表的论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》中得到了详细的介绍和解释。
大模型入门实战：通过 HuggingFace 调用 Llama3
python12345_的博客
01-10 1563
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。
【实践案例】使用Dify构建企业知识库
发现问题，面对问题，分析问题，解决问题，总结问题
01-29 5293
在自然语言处理（NLP）中，文本的“几维表示方式”指的是将文本转换为向量时，向量的维度数，也就是这些数字表示的“空间”有多少个维度。在混合检索中，系统会先建立关键词索引和向量索引，在用户查询时，分别利用这两种检索方式获取最相关的文档，再将结果进行结合，以提供更加准确和全面的检索结果。RAG的核心思想是通过结合信息检索模型（通常是基于搜索引擎或者专门的检索模型）与生成模型（通常是基于Transformer的生成模型），使得生成模型在生成答案时能够利用外部知识库或文档，增强其生成能力和准确性。
Dify案例解析：如何高效整合知识库与Ragflow？
2401_84204413的博客
03-06 3994
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。
TensorFlow相关组件的安装
AAI666666的博客
01-11 2835
TensorFlow相关组件的安装
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 通过 API 调用 RAGFlow 外部知识库
NLP工程化
11-16 7979
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。
手把手教你:Windows与Linux下Dify+DeepSeek实现ragflow构建企业知识库
weixin_37991383的博客
02-25 3075
手把手教你：Windows与Linux下Dify+Ollama+DeepSeek搭建企业知识库教程
自然语言处理:第九十九章 私有化RAG封神组合：Dify+RagFlow知识库
victor_manches的博客
03-19 1283
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）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。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）。
Dify+RAGFlow:1+1＞2的混合架构，详细教程+实施案例
youmaob的博客
04-07 1398
RAG 自从 2020 年由 Meta 提出，23 年春 Nvidia GTC 大会后火热之后，一直面临着来自“微调”和“长上下文 LLM”的对比争议。不过两年下来，共识已经基本形成：一方面是从成本和实时性角度，RAG 具有压倒性优势，而效果上相差也并不大，即使需要微调介入的场景，RAG 通常也不可或缺。另一方面，长上下文 LLM 依然面临在上下文段落增加时准确率不断下降的事实。所以，在任何情况下，提供高精度的搜索系统（RAG）都是极有价值的，RAG 当前也已经是一种事实上的落地标准架构。
Dify API 调用实践：如何高效利用 RAGFlow 外部知识库
2401_84494441的博客
03-04 3536
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。目前，官网有介绍如何使用 AWS Bedrock 知识库的。本文重点介绍 Dify 连接 RAGFlow 外部知识库。
dify实战案例分享-基于多模态模型的发票识别
2401_85375298的博客
11-04 7285
文生图和图生图 也支持目前市面主流图像生成模型（FLUX.1-dev 、FLUX.1-schnell、stable-diffusion-3-medium、stable-diffusion-xl-base-1.0、stable-diffusion-2-1、sd-turbo、sdxl-turbo、SDXL-Lightning）关于硅基流动多模态模型设置。这里我们设置一下硅基流动多模态模型的配置，这里我们就以Qwen/Qwen2-VL-72B-Instruct 为案例给大家介绍，大家可以看我下面的截图设置。
最近，大模型岗位爆了。。。
qq_46094651的博客
02-16 328
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，
大模型平台Dify工作流高效调用Ragflow知识库，解决其原生知识库解析和检索能力不足的问题
jijinduoduo的博客
04-15 908
通过以上步骤，Dify可高效调用Ragflow知识库，解决其原生知识库解析和检索能力不足的问题。若需进一步调试，可结合Postman测试Ragflow的。Dify调用Ragflow知识库的详细步骤，安装详细部署在之前文章。，选择已连接的Ragflow知识库。在Dify中创建空白应用，进入。Ragflow的地址。
【LLM】快速了解Dify 0.6.10的核心功能：知识库检索、Agent创建和工作流编排（二）
qq_33934427的博客
06-12 8343
【LLM】快速了解Dify 0.6.10的核心功能：知识库检索、Agent创建和工作流编排（二）
实测有效！一台服务器上同时启动Dify和Ragflow时，redis容器冲突解决方法。
weixin_44341746的博客
01-16 7815
我在同一台机器上同时启动 Ragflow 和 Dify 时，出现了 Redis 容器冲突的问题。表现为：当两个服务都启动后，其中一个服务的 Redis 容器会被删除，导致该服务无法正常访问。占用了主机的 6379 端口，那么其他容器不能再映射到主机的 6379 端口，但。容器将容器内部的 6379 端口映射到了主机的 6379 端口。容器只暴露了容器内部的 6379 端口，但没有映射到主机端口（目录下，导致两个服务的容器未能被有效隔离，从而引发冲突。没有映射到主机端口，因此不会冲突。参数显式指定项目名称！
Dify知识库优化实战：分段与数据清洗，提升LLM检索效率与回答精准性
2401_85343303的博客
03-15 4899
将内容上传至知识库后，要对内容进行分段与数据清洗。
AI王炸：MCP服务端客户端的完整实现
最新发布
2401_85375151的博客
04-19 770
试想一下，如果要想在现有应用上构建，让AI读取引用我们功能和数据，该怎么办，比如询问某个城市的天气，我们希望AI能调用天气函数返回相应结果，这时(Model Context Protocol)就可以派上用场了，它相当于我们电脑的USB-C接口，提供了一个标准方式让AI模型连接不同的应用和工具。我们可以建一个MUP Server来处理这类业务，比如市面上已有各类MUP Server，比较典型的高德地图MCP，除此之外，还有旅行交通的，提供房源问询，版本控制的，工具类mcp-openai，开发类等。
ai应用开发中的ragflow是什么
04-17
<think>嗯，用户现在想了解RAGFlow在AI应用开发中的定义、工作原理及使用场景。我需要先回顾之前的对话历史和相关引用。用户之前询问了本地部署DeepSeek构建智能数仓的问题，现在转向RAGFlow，可能与知识管理和检索增强生成有关。 根据用户提供的引用，RAGFlow是RAG的增强版本，结合了动态检索优化、反馈驱动生成和实时知识管理。它解决了传统RAG在检索质量、上下文管理和知识更新方面的不足。此外，引用提到RAGFlow 0.9引入了GraphRAG，微软开源的下一代RAG技术，强调以搜索为中心的端到端优化系统，分为四个阶段，其中前两个阶段涉及索引和检索的优化。 首先，我需要定义RAGFlow。用户可能已经了解RAG（检索增强生成），所以需要突出RAGFlow的增强部分。例如，动态检索优化、反馈机制、实时知识更新等。工作原理部分要解释它如何结合深度文档理解和检索技术，可能涉及GraphRAG的结构化知识图谱。 使用场景方面，用户提到的应用场景包括高时效性需求、多轮对话优化和个性化推荐。需要具体举例，如金融分析、医疗诊断等需要实时数据的领域。此外，结合用户之前的智能数仓部署，可能需要说明RAGFlow如何集成到现有数据架构中，优化查询和生成。 还要注意用户可能关注的技术细节，比如与Dify的结合，如何提升开发效率，或者GraphRAG的具体实现。可能需要提到模块化设计、API集成等，方便开发者使用。 需要确保回答结构清晰，分点说明定义、原理、场景，并引用提供的参考文献。同时，用户可能希望了解RAGFlow与传统RAG的区别，所以比较部分也很重要。最后，相关问题部分要引导用户深入探讨，如与现有工具集成、性能优化、实际案例等。</think>### RAGFlow 在 AI 应用开发中的核心解析 #### 一、定义与定位 RAGFlow 是 **增强版检索增强生成（Retrieval-Augmented Generation, RAG）框架**，专为解决传统 RAG 技术在**动态知识管理**和**复杂上下文交互**中的局限性而设计。其核心通过**结构化知识图谱（GraphRAG）**[^3] 与**实时反馈机制**[^2]，实现从静态检索到动态知识推理的升级，被定义为 **"以搜索为中心的端到端优化系统"**[^3]。 #### 二、工作原理 1. **动态知识构建阶段** - **图结构索引**：将文档解析为知识图谱，建立实体关系网络 $$ G = (V, E) \quad \text{其中 } V=实体集合,\ E=关系集合 $$ - **多模态嵌入**：融合文本、表格、图像等数据的统一向量表示 2. **检索-生成协同** ```mermaid graph LR A(用户查询) --> B{语义解析} B --> C[图谱检索] C --> D[动态剪枝] D --> E[生成器] E --> F(响应输出) F -->|反馈| B ``` 通过实时反馈循环优化检索路径与生成逻辑[^2] 3. **核心创新点** - **混合检索策略**：结合关键词匹配、向量搜索和图遍历算法 - **上下文感知生成**：基于知识图谱的推理路径约束大模型输出 - **增量式更新**：支持动态知识库的分钟级更新同步[^1] #### 三、典型应用场景 | 场景类型 | 传统 RAG 痛点 | RAGFlow 解决方案 | 案例参考 | |-----------------|-----------------------|----------------------------------|-----------------------| | 金融合规分析 | 法规更新滞后 | 实时追踪监管文档变更[^1] | 反洗钱报告自动生成 | | 医疗决策支持 | 多源数据整合困难 | 构建跨病历/论文的知识图谱[^3] | 罕见病诊断路径推理 | | 智能客服 | 多轮对话上下文丢失 | 会话状态图谱持久化[^2] | 跨渠道服务连续性保障 | | 工业知识库 | 图纸/手册混合检索低效 | 多模态联合检索[^1] | 设备维修知识精准推送 | #### 四、技术优势对比 $$ \text{传统 RAG} \subset \text{RAGFlow} \quad \because \begin{cases} 1.\ \text{静态索引} \to \text{动态图谱} \\ 2.\ \text{单轮检索} \to \text{反馈驱动} \\ 3.\ \text{文本单模态} \to \text{多模态联合} \end{cases} $$ #### 五、开发集成模式 ```python # RAGFlow 典型 API 调用示例 from ragflow import KnowledgeGraph, DynamicRetriever # 初始化知识图谱 kg = KnowledgeGraph( data_source="企业文档库", graph_type="hierarchical" # 支持树状/网状结构 ) # 构建动态检索器 retriever = DynamicRetriever( kg, strategy="hybrid", # 混合检索策略 feedback_loop=True # 启用反馈优化 ) # 集成生成模型 response = retriever.generate( query="Q3 销售下滑的根本原因是什么？", context={ "user_role": "财务分析师", "access_level": "机密" } ) ``` [^1]: Dify 与 RAGFlow 的集成方案显著降低复杂知识系统的开发门槛 [^2]: 反馈驱动机制使系统在对话场景中保持超过 85% 的上下文一致性 [^3]: GraphRAG 的引入使跨文档推理准确率提升 37%
评论 1
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