1.【LangGraph】智能體工作流的新基石
https://agent.csdn.net/684111f0606a8318e85b81e4.html
2. 基于LangChain+LLM的本地知識庫問答：從企業單文檔問答到批量文檔問答
https://blog.csdn.net/v_JULY_v/article/details/131552592
3. RAG知識庫問答LangChain+LLM的二次開發：商用時的典型問題及其改進方案
https://blog.csdn.net/v_JULY_v/article/details/135257848

RAG本地知識庫問答——基于OCR和文本解析器的新一代RAG引擎：RAGFlow 認識和源碼剖析

RAGflow 主要功能：

    （1） "Quality in, quality out"基于深度文檔理解，能夠從各類復雜格式的非結構化數據中提取真知灼見。真正在無限下文（token）的場景下快速完成大海撈針測試。（2）基于模板的文本切片不僅僅是智能，更重要的是可控可解釋。多種文本模板可供選擇（3）有理有據、最大程度降低幻覺（hallucination）文本切片過程可視化，支持手動調整。有理有據：答案提供關鍵引用的快照并支持追根溯源。（4）兼容各類異構數據源支持豐富的文件類型，包括 Word 文檔、PPT、excel 表格、txt 文件、圖片、PDF、影印件、復印件、結構化數據、網頁等。（5）全程無憂、自動化的 RAG 工作流全面優化的 RAG 工作流可以支持從個人應用乃至超大型企業的各類生態系統。大語言模型 LLM 以及向量模型均支持配置。基于多路召回、融合重排序。提供易用的 API，可以輕松集成到各類企業系統。

一、RAGflow 簡介

    有關 Dify 的簡介，可以查看我之前分享的 《在 Ubuntu24.04 LTS 上 Docker Compose 部署 Dify 社區版 1.0.1》文章。RAGFlow是一款基于深度文檔理解（deepdoc）構建的開源 RAG引擎。其中，深度文檔理解，是 RAGFlow 對文檔解析的一個解決方案，它包含兩個組成部分：視覺處理和解析器。其中視覺處理是通過OCR，布局識別，表結構識別來完成圖像，PDF，表格的識別的。針對PDF、DOCX、EXCEL和PPT四種文檔格式，都有相應的解析器。能夠從各類復雜格式的非結構化數據中提取信息，文本切片過程可視化，還支持手動調整。支持豐富的文件類型，包括 Word 文檔、PPT、excel 表格、txt 文件、圖片、PDF、影印件、復印件、結構化數據、網頁等。更重要的是，他還集成了各種嵌入模型，rerank模型，提供易用的 API，可以輕松集成到各類企業系統。RAGflow 官網地址：https://ragflow.io/

下邊我們來看看 RAGFlow 這款產品，相比目前市面上已有的各類開源方案，都有哪些特點

1.1 允許用戶上傳并管理自己的文檔(文檔類型可以是任意類型)

首先， RAGFlow 是一款完整的 RAG 解決方案，它允許用戶上傳并管理自己的文檔，文檔類型可以是任意類型，例如 PDF、Word、PPT、Excel、當然也包含 TXT

在完成智能解析之后，讓數據以正確地格式進入到數據庫，然后用戶可以采用任意大模型對自己上傳的文檔進行提問

也就是說，包含了如下完整的端到端流程

1.2 RAGFlow的4個特色

其次，RAGFlow 的最大特色，就是多樣化的文檔智能處理，保證用戶的數據從 Garbage In Garbage Out 變為 Quality In Quality Out

為了做到這一點， RAGFlow 沒有采用現成的 RAG 中間件，而是完全重新研發了一套智能文檔理解系統，并以此為依托構建 RAG 任務編排體系

這個系統的特點包含以下4個點

1.2.1 AI 模型的智能文檔處理系統

它是一套基于 AI 模型的智能文檔處理系統：對于用戶上傳的文檔，它需要自動識別文檔的布局，包括標題，段落，換行等等，還包含難度很大的圖片和表格。

對于表格來說，不僅僅要識別出文檔中存在表格，還會針對表格的布局做進一步識別，包括內部每一個單元格，多行文字是否需要合并成一個單元格，等等，并且表格的內容還會結合表頭信息處理，確保以合適的形式送到數據庫，從而完成 RAG 針對這些細節數字的“大海撈針”

1.2.2 包含各種不同模板的智能文檔處理系統

它是一套包含各種不同模板的智能文檔處理系統：不同行業不同崗位所用到的文檔不同，行文格式不同，對文檔查閱的需求也不同。比如：

1. 會計一般最常接觸到的憑證，發票，Excel報表
   查詢的一般都是數字，如：看一下上月十五號發生哪些憑證，總額多少？上季度資產負債表里面凈資產總額多少？合同臺賬中下個月有哪些應付應收？
2. 作為一個HR平時接觸最龐雜的便是候選人簡歷
   且查詢最多的是列表查詢，如：人才庫中985/211的3到5年的算法工程師有哪些？985 碩士以上學歷的人員有哪些？趙玉田的微信號多少？香秀哪個學校的來著？
3. 作為科研工作者接觸到最多的可能是就是論文了，快速閱讀和理解論文，梳理論文和引文之間的關系成了他們的痛點

這樣看來憑證/報表、簡歷、論文的文檔結構是不一樣的，查詢需求也是不一樣的，那處理方式肯定是不一樣

因此RAGFlow 在處理文檔時，給了不少的選擇：Q&A，Resume，Paper，Manual，Table，Book，Law，通用(當然，這些分類還在不斷繼續擴展中，處理過程還有待完善)…

1.2.3 文檔處理的可視化和可解釋性——文本切片過程可視化，支持手動調整

智能文檔處理的可視化和可解釋性：用戶上傳的文檔到底被處理成啥樣了，如：分割了多少片，各種圖表處理成啥樣了，畢竟任何基于 AI 的系統只能保證大概率正確，作為系統有必要給出這樣的空間讓用戶進行適當的干預，作為用戶也有把控的需求

特別是對于 PDF，行文多種多樣，變化多端，而且廣泛流行于各行各業，對于它的把控尤為重要，RAGFlow不僅給出了處理結果，而且可以讓用戶查看文檔解析結果并一次點擊定位到原文，對比和原文的差異，可增、可減、可改、可查

1.2.4 讓用戶隨時查看 LLM 是基于哪些原文來生成答案的

最后， RAGFlow 是一個完整的 RAG 系統，而目前開源的 RAG，大都忽視了 RAG 本身的最大優勢之一：可以讓 LLM 以可控的方式回答問題，或者換種說法：有理有據、消除幻覺

由于隨著模型能力的不同，LLM 多少都會有概率會出現幻覺，在這種情況下， **一款 RAG 產品應該隨時隨地給用戶以參考，讓用戶隨時查看 LLM 是基于哪些原文來生成答案的，這需要同時生成原文的引用鏈接，并允許用戶的鼠標 hover 上去即可調出原文的內容，甚至包含圖表。**如果還不能確定，再點一下便能定位到原文

一言以蔽之，答案提供關鍵引用的快照并支持追根溯源
————————————————

1.3 RAGFlow 的核心 DeepDoc：視覺處理和解析器

RAGFlow 引擎的核心的是 DeepDoc，它由視覺處理和解析器兩部分組成

1.3.1 視覺處理

模型在視覺層面具備以下能力

1. OCR(Optical Character Recognition，光學字符識別)
   由于許多文檔都是以圖像形式呈現的，或者至少能夠轉換為圖像，因此OCR是文本提取的一個非常重要、基本，甚至通用的解決方案

python deepdoc/vision/t_ocr.py --inputs=path_to_images_or_pdfs --output_dir=path_to_store_result

AI寫代碼
輸入可以是圖像或 PDF 的目錄，或者單個圖像、PDF文件，可以查看文件夾 path_to_store_result ，其中有演示結果位置的圖像，以及包含 OCR 文本的 txt 文件

2. 布局識別（Layout recognition）
   來自不同領域的文件可能有不同的布局，如報紙、雜志、書籍和簡歷在布局方面是不同的。只有當機器有準確的布局分析時，它才能決定這些文本部分是連續的還是不連續的，或者這個部分需要表結構識別（Table Structure Recognition，TSR）來處理，或者這個部件是一個圖形并用這個標題來描述

它包含 10 個基本布局組件，涵蓋了大多數情況：

• 文本、標題
• 配圖、配圖標題
• 表格、表格標題
• 頁頭、頁尾
• 參考引用、公式

且可以通過以下命令查看布局檢測結果：

python deepdoc/vision/t_recognizer.py --inputs=path_to_images_or_pdfs --threshold=0.2 --mode=layout --output_dir=path_to_store_result

輸入可以是圖像或PDF的目錄，或者單個圖像、PDF 文件，可以查看文件夾 path_to_store_result，其中有顯示檢測結果的圖像，如下所示：

3. TSR（Table Structure Recognition，表結構識別）
數據表是一種常用的結構，用于表示包括數字或文本在內的數據。表的結構可能非常復雜，比如層次結構標題、跨單元格和投影行標題
當然，除了 TSR，他們還將內容重新組合成 LLM 可以很好理解的句子

TSR 任務有 5 個標簽：

• 列
• 行
• 列標題
• 行標題
• 合并單元格

你可以通過以下命令查看表結構識別結果：

python deepdoc/vision/t_recognizer.py --inputs=path_to_images_or_pdfs --threshold=0.2 --mode=tsr --output_dir=path_to_store_result

輸入可以是圖像或PDF的目錄，或者單個圖像、PDF 文件。您可以查看文件夾 path_to_store_result，其中包含圖像和 html 頁面，這些頁面展示了以下檢測結果：

————————————————

1.3.2 文本解析器

PDF、DOCX、EXCEL 和 PPT 4種文檔格式都有相應的解析器。最復雜的是 PDF 解析器，因為 PDF 具有靈活性。PDF 解析器的輸出包括：

• 在 PDF 中有自己位置的文本塊（頁碼和矩形位置）。
• 帶有 PDF 裁剪圖像的表格，以及已經翻譯成自然語言句子的內容。
• 圖中帶標題和文字的圖
  ————————————————

1.4 // 待更 。。。。。。。。。。。。。。。。。

二、 對ragflow-main/deepdoc的源碼剖析

2.1 ragflow-main/deepdoc/vision

2.1.1 deepdoc/vision/ocr.py

總的來講，OCR 類整合了文本檢測和識別功能。在初始化時，它會嘗試從本地或遠程下載模型，并實例化TextRecognizer 和 TextDetector

1. 首先，transform 西數用于對數據進行一系列操作

def transform(data, ops=None):""" transform """if ops is None:ops = []for op in ops:data = op(data)if data is None:return Nonereturn data

• create_operators 函數根據配置創建操作符列表
• Load model 函數加載ONNX模型，并根據設備類型選擇合適的推理提供者（CPU或GPU)

2. TextRecognizer 類用于識別文本框中的文宇
   它在初始化時加載模型，并定義了多種圖像預處理方法，如resize_norm_img，用于調整和標準化輸入圖像，最終填充到一個固定大小的張量中

resizenorm_img-VL，類似于上面的resize_norm_img，但它直接將圖像調整為制定的形狀，并進行歸一化處理
resize_norm_img_srn
srn_other_inputs
process_image_srn
resize_norm_img_sar
resize_norm_img_spin
resize_norm_img_svtr
resize_norm_img_abinet
norm_img_can
這些方法根據不同的圖像形狀和需求對圖像進行調整和歸一化處理

最后的__call__方法則是識別的入口，處理輸入圖像并返回識別結果
TextDetector 類用于檢測圖像中的文本框
它在初始化時加載模型，并定義了圖像預處理和后處理的方法，如 order_points_clockwise、clip_det-res 等，__call__方法是檢測的入口，處理輸入圖像并返回檢測結果
2.1.2 deepdoc/vision/recognizer.py
————————————————

三、 對ragflow-main/rag的拆解

https://blog.csdn.net/v_JULY_v/article/details/137711599?ops_request_misc=&request_id=&biz_id=102&utm_term=RAGFLOW_IMAGE=infiniflow/ragfl&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-4-137711599.142^v102^pc_search_result_base1&spm=1018.2226.3001.4187

3.1 ragflow-main/rag/app

3.1.1 app/paper.py中pdf(側重OCR方法)、chunk(側重文本解析器)的實現

在 paper.py 文件中，主要就兩個主要實現

• 一個pdf的類——即class Pdf(PdfParser)，側重用OCR的方法
• 一個chunk函數——詳見上文2.2.2 pdf_parser.py中對PlainParser類的實現
  
  對于前者class Pdf(PdfParser)，call_方法是一個主要的入口點，用于處理OCR(光學字符識別） 和布局分析

1. 該方法首先調用 callback 函數通知OCR 開始，然后調用self.–images__方法處理圖像

   def __call__(self, filename, binary=None, from_page=0,to_page=100000, zoomin=3, callback=None):callback(msg="OCR is running...")self.__images__(filename if not binary else binary,zoomin,from_page,to_page,callback)callback(msg="OCR finished.")
   

2. 接下來，使用timer 記錄布局分析的時問，并調用_layouts_rec方法進行布局分析

           from timeit import default_timer as timerstart = timer()self._layouts_rec(zoomin)callback(0.63, "Layout analysis finished")print("layouts:", timer() - start)
   

————————————————

                        版權聲明：本文為博主原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接和本聲明。

原文鏈接：https://blog.csdn.net/v_JULY_v/article/details/137711599
————————————————

王、RAGflow 安裝軟硬件條件檢查

    （1）官方支持x86 CPU和Nvidia GPU 硬件，其他 ARM 等硬件官方截至目前尚未暫不作為正式支持硬件。（2）Linux 操作系統內核不建議低于6.0 的 LTS 版本；Windows 操作系統不建議低于 Win10 專業版 22H2 或 Window Server 2025 最新穩定版。（3）CPU 大于等于 8核（x86）；一會有杠精要抬杠說官方是不少于4核，親咱們是Dify和RAGflow安裝同一臺機子。（4）RAM 大于等于 32 GB 。（5）磁盤 大于等于 512 GB 。（6）Docker 大于等于 28.1.1 ，并且 Docker Compose 大于等于 2.35.1 。（7）Git 大于等于 2.43.0 。

————————————————