4.7 KiB
Conector RAGFlow
Recupere conocimientos o almacene archivos en las bases de conocimientos de RAGFlow utilizando la API de RAGFlow.
Acerca de RAGFlow
RAGFlow es un motor RAG (Recuperación-Generación Aumentada) de código abierto basado en una comprensión profunda de los documentos. Proporciona capacidades veraces para responder preguntas con citas bien fundadas de varios datos con formato complejo.
Características
- Recuperar fragmentos de conocimiento de conjuntos de datos/bases de conocimiento de RAGFlow
- Cargue e ingiera archivos en conjuntos de datos RAGFlow con análisis automático
- Soporte para múltiples conjuntos de datos en una sola consulta
- Umbrales de similitud configurables y pesos vectoriales.
- Búsqueda híbrida que combina palabras clave y similitud de vectores.
- Construcción del gráfico de conocimiento GraphRAG de activación automática después de la ingestión
- Resumen jerárquico de activación automática de RAPTOR después de la ingestión
- Validación de ID del conjunto de datos en la creación de la base de conocimientos.
- Devuelve resultados con metadatos enriquecidos que incluyen puntuaciones de similitud de términos y vectores
Configuración
Este complemento requiere los siguientes parámetros de configuración:
Parámetros requeridos (Configuración de creación)
-api_base_url: URL base para la API RAGFlow
- Para implementación local:
http://localhost:9380(predeterminado) - Para servidor remoto: la URL de su servidor (por ejemplo,
http://su-dominio.com:9380) -api_key: Su clave API de RAGFlow de su instancia de RAGFlow -dataset_ids: ID de conjuntos de datos separados por comas para buscar - Formato:
"conjunto de datos_id1, conjunto de datos_id2, conjunto de datos_id3" - Ejemplo:
"b2a62730759d11ef987d0242ac120004,a3b52830859d11ef887d0242ac120005"
Parámetros opcionales (configuraciones de creación)
-auto_graphrag(predeterminado: falso): activa automáticamente la construcción del gráfico de conocimiento GraphRAG después de la ingestión del archivo -auto_raptor(predeterminado: falso): activa automáticamente el resumen jerárquico de RAPTOR después de la ingesta de archivos
Parámetros opcionales (configuraciones de recuperación)
-top_k(predeterminado: 1024): número máximo de resultados recuperados
-similitud_umbral(predeterminado: 0,2): puntuación mínima de similitud (0-1)
-vector_similarity_weight(predeterminado: 0,3): Peso para la similitud de vectores en la búsqueda híbrida (0-1)
-page_size(predeterminado: 30): número de resultados por página
-palabra clave(predeterminado: falso): use LLM para extraer palabras clave de la consulta para mejorar la recuperación
-rerank_id: ID de modelo de reclasificación configurado en RAGFlow (por ejemplo,BAAI/bge-reranker-v2-m3)
-use_kg(predeterminado: falso): habilita la recuperación del gráfico de conocimiento
Cómo obtener valores de configuración
Obteniendo su clave API RAGFlow
- Acceda a su instancia de RAGFlow (por ejemplo,
http://localhost:9380) - Vaya a la secciónConfiguración de usuario>API
- Genere o copie su clave API (formato:
ragflow-xxxxx)
Obteniendo los ID de su conjunto de datos
- En RAGFlow, vaya a su base de conocimientos/lista de conjuntos de datos
- Haga clic en un conjunto de datos para ver sus detalles.
- El ID del conjunto de datos normalmente se muestra en la URL o en los detalles del conjunto de datos.
- Para múltiples conjuntos de datos, recopile todos los ID y únalos con comas.
Referencia de API
Este complemento utiliza las siguientes API de RAGFlow:
- Recuperación:
POST /api/v1/recuperación - Subir documentos:
POST /api/v1/datasets/{dataset_id}/documents - Analizar documentos:
POST /api/v1/datasets/{dataset_id}/chunks - Eliminar documentos:
DELETE /api/v1/datasets/{dataset_id}/documents - Construcción de GraphRAG:
POST /api/v1/datasets/{dataset_id}/run_graphrag - Construcción de RAPTOR:
POST /api/v1/datasets/{dataset_id}/run_raptor - Listar conjuntos de datos (validación):
GET /api/v1/datasets - Documentación: https://ragflow.io/docs/dev/http_api_reference
Método de recuperación
RAGFlow emplea un enfoque de recuperación híbrido: -Similitud de palabras clave: concordancia tradicional basada en palabras clave -Similitud vectorial: similitud semántica mediante incrustaciones -Combinación ponderada: combina ambos métodos con pesos configurables -Gráfico de conocimiento: recuperación opcional basada en gráficos para respuestas basadas en relaciones -Reclasificación: modelo de reclasificación opcional para mejorar la calidad de los resultados.
El parámetrovector_similarity_weightcontrola el equilibrio entre los métodos de palabras clave y vectores.