Dify案例解析：如何高效整合知识库与Ragflow？

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。

通过上述一系列介绍，我们完成了 Dify 和 ragflow 的整合，实现了 Dify 通过外部接口实现知识库增强。今天的分享就到这里，希望能帮助大家更好地理解和运用 Dify 与 ragflow 知识库检索整合的方法，我们下次分享再见。

RAGFlow系统架构图：

如何学习AI大模型？

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。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓