RagFlow 文档解析

RAGFlow：基于OCR和文档解析的下一代 RAG 引擎

RAGFlow 的设计哲学是“高质量输入，高质量输出”，它通过提供可解释性和可控性的生成结果，让用户能够信任并依赖于系统提供的答案。

RagFlow核心功能

1、文本切片

2、深度文档理解（DeepDoc）

3、兼容各类异构数据源

DeepDoc

DeepDoc的模型应该是基于paddleOCR的模型去微调训练的，开源出来的模型是onnx格式的

代码解析参考，后期可能从这里改要求的解析模板要求

LLM

在 RAGFlow 中，LLM（Large Language Models，大型语言模型）和嵌入模型（Embedding Models）扮演着至关重要的角色，它们共同协作以实现高效的信息检索和生成任务。

LLM的主要作用包括
1、理解用户查询
2、生成回答
3、提供可控性： LLM可以根据用户的指示生成特定风格或格式的回答，确保生成内容的可控性和准确性。
4、跨语言能力： 对于多语言环境下的RAG任务，LLM需要具备跨语言理解和生成的能力，以便在不同语言之间进行有效的信息检索和转换

Embedding的主要作用：
主要用于将文本数据转换为向量表示
1、文本向量化
2、相似性比较
3、检索数据
4、增强多模态处理能力

RagFlow核心架构

1、文档解析器

2、查询分析器

3、LLM

4、检索引擎

5、重排器

RagFlow工作流程

OK，到此为止RagFlow的理论基础大致有了一个概念，现在开始动手实操！

RagFlow使用教程

首先，需要在RagFlow中添加模型

chat模型用于测试，embedding模型用于分词做知识库

注意：url为自己ip地址加11434(Ollama默认服务端口)
查询自己的ip地址命令

时调整其输出的最大长度（max-tokens）
我填了2000，后期改参考这个

ipconfig

可能会报错：请求连接失败
需要在Ubuntu上确保防火墙没有阻止Ollama使用的端口（例如11434）

sudo ufw allow 11434
sudo ufw reload