粤ICP备17114055号
微信扫码
与创始人交个朋友
支持私有云部署
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，企业落地应用大模型首选服务商
产品：大模型应用平台+智能体定制开发+落地咨询服务
承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2024-09-16
RAG深度优化：全面掌握多种ReRanker实现方法与技巧
2024-09-16
Perplexity AI使用感受
2024-09-16
大模型应用框架解析：RAG、Agent、微调、提示词工程究竟是什么?
2024-09-15
RAG预处理增强：让Fastgpt/Dify召回更多东西
2024-09-15
数据隐私与RAG：如何在保护隐私的同时与数据库对话（Text2SQL）。
2024-09-15
【RAG】FastEmbed：一种轻量的快速文本嵌入工具
2024-09-15
RAG优化神器：rerankers重新排名模型的终极方案，提供轻量级统一API
2024-09-14
graphRAG后的triplex、itext2KG与nano-graphRAG对比介绍
2024-07-18
2024-07-08
2024-07-09
2024-06-20
2024-05-05
2024-07-09
2024-06-13
2024-07-07
2024-07-14
2024-07-07
2024-09-16
2024-09-12
2024-09-11
2024-09-10
2024-09-09
2024-09-07
2024-09-04
2024-08-30
回到顶部