Dify v1.0.1搭配Ragflow知识库：轻松封神之路【入门必看教程】

最新推荐文章于 2025-04-05 15:58:21 发布
最新推荐文章于 2025-04-05 15:58:21 发布
阅读量1.3k 收藏 15
点赞数 27
文章标签： Dify 知识库 AI大模型 人工智能 大模型学习 大模型教程 程序员
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/2401_85390073/article/details/146390242
版权

上一次分享了dify接入fastgpt知识库，收到部分朋友的反馈--想了解dify外接ragflow的效果。

图片

图片

以及，还有一些朋友反馈说dify v1.0.0存在不少问题，所以大家都回退到之前版本了。

图片

好消息是：dify最近已经更新到了v1.0.1版本（更新/修复内容如下）

图片

所以，响应大家的号召，今天就给大家带来dify外接ragflow知识库的详细步骤，一起看看接入之后效果到底怎么样~

顺便带大家一起把本地的dify升级到最新的v1.0.1版本。

本期使用的dify和ragflow都是使用docker本地部署的

dify v1.0.0升级到最新v1.0.1

我们先把本地的dify升级成最新v1.0.1版本（我的dify目前还是v1.0.0）

PS：本次升级仅适用于docker部署方式

先进入dify源码所在根目录/docker目录下，把docker-compose.yaml文件备份一个副本。

图片

然后去github上面下载dify v1.0.1最新的docker-compose.yaml文件。

把docker目录下旧的docker-compose.yaml替换掉

图片

没有科学上网的朋友也可以在公众号后台私信：“dify1.0.1” 获取最新v1.0.1版本的docker-compose.yaml文件

替换之后在地址栏输入cmd 回车，进入docker-compose.yaml所在目录的控制台。

图片

在控制台执行docker-compose up -d

图片

直到出现如下日志，就代表升级启动成功啦

图片

这时候我们访问dify页面：127.0.0.1

点击右上角头像，下拉框中可以看到已经成功升级到v1.0.1了

图片

图片

dify外接ragflow知识库

图片

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）。

如果不解决这个问题就会导致某一方无法正常启动。

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）

这样就不会和dify的主机端口冲突了

图片

docker-compose.yml有改动的话

需要重新执行docker-compose up -d来重置服务使配置生效（执行位置还是要在docker-compose.yml所在的当前路径）。

图片

重置ragflow之后，我们就可以通过：127.0.0.1:8000 来访问ragflow的页面了。

图片

并且ragflow官方已经提供了dify外接知识库的接口，所以不需要像之前dify外接fastgpt那样自己开发一套适配程序了。

接下来的整个对接过程非常丝滑~

首先，我们需要去拿到ragflow的三个要素：

知识库的api地址、apikey、知识库id

点击ragflow右上角头像->API->API KEY->创建新密钥（复制备用）

并把 API服务器地址 复制备用

图片

我准备把下面 ragflow中的内存条商品表知识库，外接到dify

点击进入

图片

在路径栏中复制知识库id 备用

图片

回到dify这边

在知识库->外部知识库->添加外部知识库

图片

name随便填一个

API Ednpoint：填写http://<ragflow地址>:9380/api/v1/dify

apikey填写刚才在ragflow创建好的apikey，点击保存

图片

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。

windows可以通过在控制台输入ipconfig找到本机内网ip

图片

Linux可以输入ifconfig找到本机内网ip

图片

保存成功的话，会有成功的提示，并且在外部知识库中会增加一条

图片

点击连接外部知识库

图片

按照下图，填写好信息

TopK 和 相似度阈值自行根据需要调整，最后点击连接

图片

就创建成功啦

图片

接下来我们测试看看~

创建一个空白应用，关联刚刚创建的 ragflow-内存条商品表知识库

图片

这里我没有开启重排(不过大家后续使用也可以开启，测试效果)

图片

我在ragflow和dify两边都创建了测试应用(参数都调整到相同状态)

测试了一下（下图，左边dify，右边ragflow）

图片

AUTUMN

图片

图片

我检查了原表格数据，确实表格里面所有海盗船内存条中仅有一种是32G的。

图片

回答挺准的，两边效果一致！目标达成。

本次仅测试知识库问答效果，不对内存条产生购买建议

dify借助ragflow很大程度弥补了知识库解析、知识库问答效果的不足，最方便的是ragflow官方本身就支持了dify的外部知识库API。

这样接入还挺丝滑的，非常推荐！

想要博主分享什么干货内容，可以打在评论区~

 

 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】🆓

RAG+AI工作流+Agent：LLM框架该如何选择，全面对比MaxKB、Dify、FastGPT、RagFlow、Anything-LLM,以及更多推荐
丨汀、的博客
07-30 3万+
RAG+AI工作流+Agent：LLM框架该如何选择，全面对比MaxKB、Dify、FastGPT、RagFlow、Anything-LLM,以及更多推荐
【大模型系列篇】从RAG到Agent：Dify×RAGFlow 如何实现企业级知识库的「认知跃迁」？
最新发布
木亦汐丫
04-24 822
很早之前我们有使用过Dify来加速AI应用开发和构建企业级智能问答系统，今天我们再来认识下RAGFlow，以及Dify如何外接RAGFlow知识库大脑，提升精准检索能力，告别大模型幻觉问题，完成企业级知识库的认知跃迁。破局大模型知识瓶颈：Dify+RAGFlow的混合检索。
一文读懂 RAGFlow 知识库接入 Dify 的全流程
apo0625的博客
03-19 2702
今天来给大家分享一下，如何将ragflow知识库接入dify，作为dify的外挂知识库。
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 1251
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）。
运行两个不同项目（`ragflow` 和 `dify`）时，出现了 Redis 容器互相替换
m0_69369857的博客
08-27 2197
3. **进一步排查**：检查了当前正在运行的容器状态，发现 `ragflow-redis` 和 `dify-redis` 容器无法同时存在，启动一个项目的 Redis 容器时，另一个项目的 Redis 容器会被替换。1. **最初发现**：在运行 `dify` 项目时，发现 `ragflow` 项目的 Redis 容器被替换为 `dify` 项目的 Redis 容器。2. **网络和端口冲突**：两个项目的 Redis 容器连接到相同的网络，且使用相同的端口，导致冲突。
TensorFlow相关组件的安装
AAI666666的博客
01-11 2759
TensorFlow相关组件的安装
大模型入门实战：通过 HuggingFace 调用 Llama3
python12345_的博客
01-10 1535
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。
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案例解析：如何高效整合知识库与Ragflow？
2401_84204413的博客
03-06 3887
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。
dify v1.0.1外挂ragflow知识库，确实可以封神了！【喂饭级教程】
呱牛 Just do IT
04-05 957
dify v1.0.1外挂ragflow知识库，确实可以封神了！【喂饭级教程】
【云馨AI-大模型】RAGFlow功能预览：Dify接入外部知识库RAGFlow指南
起而行动，方能平定心中的惶恐
03-14 1013
开源的 LLM 应用开发平台。提供从 Agent 构建到 AI workflow 编排、RAG 检索、模型管理等能力，轻松构建和运营生成式 AI 原生应用。比 LangChain 更易用。RAGFlow 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。RAGFlow 可以为各种规模的企业及个人提供一套精简的 RAG 工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。
【企业内部知识管理】Dify知识库助手配置全流程：从文档准备到聊天助手发布的企业信息管理解决方案
04-21
内容概要：本文详细介绍了Dify企业内部知识库助手的配置流程，涵盖从文档准备、知识库创建、企业助手创建到最终发布的全过程。首先，文档准备阶段需将企业资料整理为支持的格式，建议问答形式的文档整理成Q&A格式。...
Dify 通过 API 调用 RAGFlow 外部知识库
NLP工程化
11-16 7916
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。
dify案例分享-知识库检索整合Ragflow
Python_cocola的博客
03-06 3198
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。
最近，大模型岗位爆了。。。
qq_46094651的博客
02-16 319
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，
Ragflow与Dify之我见：AI应用开发领域的开源框架对比分析
AI人工智能的学习之路
03-01 4106
Ragflow和Dify是两个在AI应用开发领域备受关注的开源框架，它们各自在RAG（检索增强生成）实现上有着独特的优势和局限性。Ragflow专注于构建基于检索增强生成的工作流，强调模块化和轻量化，其核心目标是提供专业的RAG工作流框架。Ragflow结合了预训练的大型语言模型与高效的检索技术，为用户提供了一个强大的工具来处理复杂的问题和场景。相比之下，Dify的核心目标更为广泛，旨在降低LLM应用开发的门槛，通过简单的界面和API快速构建AI应用。
使用 ollama 部署本地模型，零基础入门到精通，非常详细收藏我这一篇就够了
m0_65555479的博客
08-15 2947
在本地启动并运行大型语言模型。运行Llama 2，Code Llama和其他模型。自定义并创建您自己的。
评论
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