AI知识库之dify1.6 与 ragflow v0.19.1的联合使用，及报错mcp连接不上的问题

已于 2025-07-23 14:22:05 修改
阅读量1k 收藏 11
点赞数 7
CC 4.0 BY-SA版权
分类专栏： ai 大模型 文章标签： ai 人工智能
于 2025-06-16 17:07:20 首次发布
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/nalanxiaoxiao2011/article/details/148639179

目录

引言：dify 与 ragflow

一般来说，如果需要处理特别复杂的文档和非结构化数据，RAGFlow 是优选。而对于需要多模型协作和复杂业务流程的场景，Dify 更为适合。

但这并非是个，非此即彼的问题。

如何将 Dify 作为主框架使用其 agent 和工作流组件，同时通过 API 调用 RAGFlow 的知识库组件。从而将 Dify 的用户友好界面和工作流能力与 RAGFlow 的深度文档处理能力结合起来。

注：除了 Dify+RAGFlow 的组合外，也可以结合具体业务场景选择添加更多开源框架，如 LlamaIndex、LigthtRAG 等。

A: 本文是关于Dify 使用外部知识库对接 RAGflow，那 为什么要 RAGflow 和 Dify 结合呢？
Q: 是因为 RAGflow 可以解决 Dify 在RAG 和 知识库解析和检索短板。

方式一：使用ragflow API 直接连接外部知识库

对接api时，必须的后缀 /v1/dify

在这里插入图片描述

1 Ragflow 部分

1-1. 创建 RAGflow 知识库

输入网址：http://192.168.21.24:8880 打开ragflow界面，填入注册的账号和密码登录。然后创建供Dify调用的知识库。
参考：https://blog.csdn.net/nalanxiaoxiao2011/article/details/146986967?spm=1011.2415.3001.5331

1-2. 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.

1-2-1. 点击系统右上角头像，选择 API， 显示ragflow 对外提供的IP. 我的显示是 http://192.168.xx.xx:8880

在这里插入图片描述

1-2-2. 点击上面key生成ragflow 对外提供的API
在这里插入图片描述
1-2-3. 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。

在这里插入图片描述

2. Dify与Ragflow联通

2-1. dify配置外部知识库

我们回到dify 工作流管理界面：http://192.168.21.24/apps，
在这里插入图片描述

点击上面知识库，点击链接外部知识库。
在这里插入图片描述
当然了，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。
在这里插入图片描述

点击知识库，配置外部知识库。

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.XX:8880/api/v1/dify

    URL 配置注意

在 Dify 中配置 RAGFlow 的知识库时，需要在 RAGFlow 的基础 Base url 后增加 “api/v1/dify”，
这是 Dify 特定的 API 路径，它承担版本控制、模块划分等作用。当然这也很符合 RESTful 的设计思想。

  3. api key 就是上面ragflow-开头的api KEY
    在这里插入图片描述

2-2. 管理外部知识库

最低0.47元/天 解锁文章

200万优质内容无限畅学
大模型系列——dify+ragflow知识库
2401_84052244的博客
04-23 496
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。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。，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。本期使用的dify和ragflow都是使用docker本地部署的。
大模型——保姆级实操一台主机同时部署Dify和RAGFlow全流程避坑指南
06-23 287
本文主要介绍了在同一设备上部署Dify和RAGFlow的注意事项及具体步骤。作者提醒若设备已部署Dify，需先备份数据再部署RAGFlow，避免端口冲突导致服务异常。通过修改RAGFlow的端口配置（8081:80）解决了端口占用问题，并展示了RAGFlow的基本使用流程，包括账号注册、模型配置、应用创建和知识库管理。部署过程中Dify出现Redis错误，将其从1.4.0升级至1.4.1版本后恢复正常。文章最后预告将介绍Dify与RAGFlow的对接协作方案。
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 1120
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。
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 4336
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 通过 API 调用 RAGFlow 外部知识库
NLP工程化
11-16 8279
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 4461
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 2931
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 1726
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案例解析：如何高效整合知识库与Ragflow？
2401_84204413的博客
03-06 4336
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。
一文读懂 RAGFlow 知识库接入 Dify 的全流程
apo0625的博客
03-19 4154
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。
AI知识库实现技术整理V1.0AI知识库Function Calling与MCP协议对比及AI智能体框架和编程助手模型选型分析：实现技术与应用场景综述
最新发布
07-09
内容概要：本文档详细介绍了AI知识库的实现技术，重点比较了AI智能体中Function Calling和MCP的区别及其工作流程。Function Calling用于模型调用外部函数或API，分为函数定义、推理、参数生成、函数执行和结果整合五...
RAGFlow 0.18.0 实战：MCP协议插件配置全解析，三步打造企业级知识库
分享平时的学习心得和笔记
05-07 998
RAGFlow 0.18.0 的更新直击企业级知识管理三大核心痛点：数据割裂、协作低效、部署复杂。“上周某金融团队用传统RAG方案部署知识库，因PDF表格解析失败，导致客户投诉理财收益计算错误…一、RAGFlow 0.18.0 新功能：从“知识孤岛”到“智能中枢”的跨越。• Agent权限颗粒化管理（读写/只读/临时访问）• 实测响应速度提升40%，支持100+并发请求。MCP Server：知识库化身“智能插座”二、MCP服务启动实战：三步构建“智能插座”团队协作：告别“知识黑箱”
大模型——Dify使用MCP查询数据库
04-23 2489
今天我们来看Dify结合MCP查询数据库，这里我们用到了一个查询数据库的服务，其实之前我们也有一篇讲text2sql的案例，但是因为我们表结构作为知识库，需要我们把这个表结构做的很丰富，确保能够更精准的生成相应的SQL语句，今天介绍的MCP查询数据库会更灵活一些。MCP服务其实在现阶段，Dify的支持还是欠缺了点，使用的感受还是不如其他的一些客户端，比如我用的cherry studio，这个给我感觉会更兼容一些，使用起来会更方便一些，就是cursor也很好用，有空我也会去介绍一下这些工具的使用。
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 1543
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）。
RAGFlow 本地部署及 Dify 调用，让你的本地大模型更有深度（保证好使）
JovaZou的成长之路
03-29 3186
在人工智能飞速发展的今天，大模型的应用越来越广泛。然而，许多人在使用大模型时面临着各种限制，例如数据隐私问题、高昂的云服务费用等。本地部署大模型并结合有效的工具来提升其性能成为了一种极具吸引力的解决方案。本文将为大家详细介绍如何通过 RAGFlow 进行本地部署，并利用 Dify 进行调用，让你的本地大模型发挥出更强大的能力，为各种应用场景提供有力支持。
Dify外挂RagFlow
顺其自然~专栏
06-06 365
RAGFlow 适合处理特别复杂的文档和非结构化数据。Dify 适合多模型协作和复杂业务流程的场景。Dify + 外挂知识库，两者结合是截至目前，当前较多开发者会考虑的方式。本文将详细介绍4个部分：Dify配置、RagFlow配置（白嫖服务器）、Dify外挂RagFLow、三个维度实测（图、表、公式）
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.AI与RagFlow大模型知识库框架
m0_53912016的博客
02-07 264
ai应用平台
dify对接ragflow知识库
03-22
<think>嗯，用户问的是Dify如何对接RAGFlow知识库。首先，我需要确认这两个工具的具体功能和接口。Dify是一个AI应用开发平台，支持快速构建基于大语言模型的应用，而RAGFlow则是专注于RAG（检索增强生成）的知识库管理系统。对接的关键在于数据流的整合和API的调用。 首先，我应该检查两者的文档，看看是否有现成的集成方案。比如，Dify是否支持直接连接RAGFlow作为知识库来源，或者是否需要通过API进行数据同步。可能需要用户将RAGFlow中的知识库导出为特定格式，再导入到Dify中，或者实时调用RAGFlow的API进行检索。 然后，权限和认证方面，可能需要配置API密钥或OAuth，确保Dify有权访问RAGFlow的数据。另外，数据格式的兼容性也很重要，比如文本的分块方式、元数据字段是否匹配，避免在检索时出现错误。 还有，处理流程方面，当用户在Dify中发起查询时，Dify可能需要将查询发送到RAGFlow进行检索，获取相关文档片段，再结合这些片段生成回答。这里需要确保两个系统之间的通信延迟较低，以提供良好的用户体验。 可能遇到的挑战包括API的稳定性、数据更新的同步机制，以及如何处理大型知识库的性能问题。需要建议用户分步测试，先小规模验证流程，再逐步扩大数据量。同时，关注两者的更新日志，以便及时调整集成方式。 最后，总结对接步骤：1）配置RAGFlow的API访问权限；2）在Dify中设置外部知识库连接，填入RAGFlow的API端点及认证信息；3）测试数据检索和生成流程，调整参数优化结果；4）部署并监控集成后的系统，确保稳定运行。</think>Dify 与 RAGFlow 对接实现 RAG 知识库的整合可分为以下步骤： ### 一、系统定位 1. **Dify**：低代码 LLM 应用开发平台 - 支持可视化编排 AI 工作流 - 提供 RAG 能力集成接口 - 典型场景：智能客服、文档问答 2. **RAGFlow**：开源 RAG 引擎 - 支持多格式文档解析 - 提供语义分块与向量检索 - 特色功能：多路召回策略 ### 二、对接流程 #### 步骤 1：数据准备层 $$ \text{RAGFlow} \xrightarrow{\text{文档解析}} \text{向量库} \xrightarrow{\text{API封装}} \text{服务端点} $$ - 在 RAGFlow 完成： 1. 上传 PDF/Word/Markdown 等文档 2. 配置 chunk_size=512, overlap=64 等参数 3. 生成带元数据的向量索引 #### 步骤 2：接口对接 ```python # Dify 调用示例 response = requests.post( url="https://ragflow-api/retrieve", headers={"Authorization": "Bearer <API_KEY>"}, json={ "query": "用户问题", "top_k": 5 } ) ``` 需配置： - RAGFlow API 端点 - 认证密钥 - 超时参数（建议 timeout=10s） #### 步骤 3：Dify 工作流配置 1. 创建「知识库检索」节点 2. 绑定 RAGFlow 接口地址 3. 设置结果映射规则： ```json { "context": "{{response.results}}", "score_threshold": 0.75 } ``` ### 三、优化要点 1. **混合检索策略**： - 向量检索 + 关键词检索 - 权重分配公式： $$ score = \alpha \cdot sim_{cos} + (1-\alpha) \cdot tfidf $$ 2. **缓存机制**： - 对高频查询做结果缓存 - 设置 TTL=3600s 3. **监控指标**： | 指标 | 预警阈值 | |---|---| | 响应延迟 | >2000ms | | 召回率 | <60% | | 错误率 | >5% | ### 四、典型问题处理 1. **编码问题**： - 统一使用 UTF-8 编码 - 特殊字符转义处理 2. **版本兼容**： - 确认 API 版本对应关系 - 建议 RAGFlow >= 0.3.2 3. **性能调优**： - 批量请求时启用流式响应 - 调整分块策略提升召回率 当前对接方案已在金融文档问答场景验证，实现 QPS 50+ 的稳定服务能力。建议初次对接时通过 Postman 先进行接口调试，再接入完整工作流。
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

打赏作者

AI小胖

您的鼓励是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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