粤ICP备17114055号
微信扫码
和创始人交个朋友
支持私有云部署
我要投稿
没有采用现成的 RAG 中间件（比如LangChain和LlamaIndex）
能够自动识别文档的布局，包括标题、段落、图表等。比如我输入“Figure 1”进行测试，能召回对应的图，但还是只能保留了图的文本信息，但是对话时无法进行多模态理解
对表格进行单独处理和存储，且较好的还原了HTML表格，准确率还可以。在代码中，每个chunk使用的react-pdf-highlighter组件进行高亮显示，体验不错
为了适应不同行业和岗位对文档的不同需求，例如会计、HR、科研工作者等会接触到不同类型的文档，RAGFlow 提供了以下丰富的分块解析方法以及实例：
能够让用户随时查看是基于哪些原文生成答案的，提供了原文的引用链接，并允许用户进行详细的查看和对照。
追求对非结构化数据的深度语义理解，并计划将更加可扩展的文档结构识别模型应用到系统中，以适应企业级复杂场景的需求。
在数据源接入与集成方面，RAGFlow 设计目标是能够处理更多复杂场景，尤其是B端场景，并计划接入企业的各类数据源，如 MySQL 的 binlog、数据湖的 ETL、外部爬虫等，以实现更广泛的应用。
53AI，企业落地大模型首选服务商
产品：场景落地咨询+大模型应用平台+行业解决方案
承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2025-02-22
TrustRAG：为AI知识检索打造更安全的防线
2025-02-22
DeepSeek+RAGFlow 本地部署避坑指南，一文搞定常见难题！
2025-02-22
基于DeepSeek的本地化知识库 RAGFlow 搭建(附带镜像链接)
2025-02-22
RAGFlow+DeepSeek-R1:14b落地案例分享（足够详细）：机加工行业设备维保场景
2025-02-21
DeepRAG：LLM时代的智能检索革命（实测提升准确率21.99%）
2025-02-21
从零开始优化 RAG 流程的终极指南，解决检索增强生成的核心挑战
2025-02-20
本地运行DeepSeek R1 + RAG系统
2025-02-20
传统分块已死？Agentic Chunking拯救语义断裂，实测RAG准确率飙升40%，LLM开发者必看！
2024-09-04
2024-10-27
2024-07-18
2024-05-05
2024-06-20
2024-06-13
2024-07-09
2024-07-09
2024-05-19
2024-07-07
2025-02-15
2025-02-12
2025-02-05
2025-02-05
2025-01-24
2025-01-24
2025-01-20
2025-01-18
回到顶部