RAGflow基础组件介绍

我们按照下图的数据介绍组件。

Begin（开始）组件

• • 启动工作流：Begin组件是工作流中的起始组件，自动出现在画布上，不能被删除。原文
• • 设置开场白或接受输入：可以设置开场白或接受用户输入的全局变量。

• • 在开始节点中，我们通过2设置agent的开白场
• • 通过点击3新增变量（需要注意的是，ragflow的变量是全局变量）
• • 打开变量设置对话框以后,我们可以通过4设置输入框的类型

Retrieval（知识检索）组件

此组件用于从知识库中检索相关信息。选择知识库。如果没有检索到任何内容，将返回“空响应”。

• •
• • 新增输入变量3：有两种类型的输入变量——引用和文本。引用e使用组件输出或用户输入作为数据源，Text使用固定文本作为查询。没有dify丰富，而且还有个问题，引用的时候能看到所有的变量
• • 4相似度阈值：设置用户查询与数据集中存储的块之间的相似度阈值，默认值为0.2
• • 关键词相似度权重5：设置关键词相似度在综合相似度得分中的权重，默认值为0.7，向量相似度的权重为0.3。
• • Top N6：从检索到的块中选择“Top N”块并传递给LLM，默认值为8。
• • 重排模型7：可选，如果选择了重排模型，将使用加权关键词相似度和加权重排得分进行检索，但这会显著增加系统的响应时间。
• • 知识库8:可以选择多个知识库，如果选择多个，必须保证它们使用相同的嵌入模型，否则会出现错误信息
• • 空回复9:如果没有检索到数据，回复设置的默认值

Generate（生成回答）组件

此组件用于调用LLM生成文本，请注意提示词的设置。

• • 在生成回答组件1中,我们通过2可以修改修改组件的id
• • 通过3调整组件使用的模型，可以选择已经配置的模型服务
• • ragflow给了我们三组参数4用来控制模型的自由度，可以减少我们的思考
• • 需要注意的是，我们需要关注下最大Token根据自己的业务来即可。
• • 存在惩罚（Presence penalty）：鼓励模型在响应中包含更多样化的标记，默认值为0.4
• • 频率惩罚（Frequency penalty）：阻止模型在生成的文本中过于频繁地重复相同的单词或短语，默认值为0.7
• • 系统提示词6,通过提示词我们来指定模型的能力，一般会结合输入，需要注意的是ragflow不能通过{来快捷的获取变量引用
• • 引用，主要用于多轮会话，是否引用以前的内容，12是引用多少个窗口，这个和token相结合
• • 通过7新增变量以后，才可以在组件内使用，和dify一样

Interact（对话）组件

该组件用作机器人与人类之间的接口。它接收用户的输入并显示机器人的计算结果。

Categorize（问题分类）组件

此组件用于对文本进行分类。请指定类别的名称、描述和示例。每个类别都指向不同的下游组件。问题分类，你可以理解为是条件判断的增强，条件判断是基于具体的值，问题分类是使用大模型根据问题描述，以及示例，推导出的分类，并指向对应的流程。

• • 引用节点输出1并不是一个结构化的输出，
• • 模型参数的调整和生成回答一样
• • 通过3和4、5设置大概什么情况归到这个分类。

Message （静态消息）组件

此组件用于向用户发送静态信息。您可以准备几条消息，这些消息将被随机选择。

Rewrite（问题优化）组件

此组件用于细化用户的提问。通常，当用户的原始提问无法从知识库中检索到相关信息时，此组件可帮助您将问题更改为更符合知识库表达方式的适当问题。

keyword( 关键词 )组件

该组件用于从用户的问题中提取关键词。Top N指定需要提取的关键词数量。比如用于我们之前的从数据库查询知识的场景，不用我们去处理了。

Switch（条件）组件

该组件用于根据前面组件的输出评估条件，并相应地引导执行流程。通过定义各种情况并指定操作，或在不满足条件时采取默认操作，实现复杂的分支逻辑。

这里可以通过引用组件的输出值作为比较条件，可以添加多个条件，且支持逻辑操作符。

Concentrator（集线器）组件

该组件可用于连接多个下游组件。它接收来自上游组件的输入并将其传递给每个下游组件。

在ragflow中，有些节点的输出，只能指向一个节点，如果你需要并行操作的时候，需要添加集线器。

Template（模板转换）组件

该组件用于排版各种组件的输出。有助于将各种数据或信息源组织成特定格式，便于后续处理和展示

• • 1、支持Jinja2模板,会先将输入转为对象后进行模版渲染
• • 2、同时保留原使用{参数}字符串替换的方式

（循环）组件

该组件首先将输入以“分隔符”分割成数组，然后依次对数组中的元素执行相同的操作步骤，直到输出所有结果，可以理解为一个任务批处理器。 例如在长文本翻译迭代节点中，如果所有内容都输入到LLM节点，可能会达到单次对话的限制，上游节点可以先将长文本分割成多个片段，配合迭代节点对每个片段进行批量翻译，避免达到单次对话的LLM消息限制。

高级应用组件

高级应用组件主要是封装了一些能力。这些是我给它分的类，没看到官方的文档。主要以实际应用为主。这次简单的过一下功能，以及大致的用户，具体的使用还得具体使用的时候验证

invoke（Http）组件

该组件可以调用远程接口调用。将其他组件的输出作为参数或设置常量参数来调用远程函数。

• • 我们可以通过1设置请求地址
• • 请求方法2中目前只支持get、post、put三种方法
• • 3可以自定义超时时间
• • 可以在4自定义请求头
• • 可以通过5设置代理
• • 通过6可以新增请求参数

通过这个invoke组件,明显感受到设计这块的人，并没有考虑其他语言的通用性，典型的python接口规范。也不知道是不是实现比较复杂。

另一个方面，对于结构化数据，我们该返回一个什么样的格式？有没有特殊的要求？未知，只能自己去摸索。

网页爬虫

该组件可用于从指定url爬取html源码。

爬取的内容，我们可以指定提取的类型。

邮箱

发送邮件到指定邮箱

使用的前提是需要模板化转成对应的json数据。那么问题来了，如果你没有结构化的数据，这些变量该如何提取？总不能每次固定或者内置吧，压根不考虑通用性。这只适合给固定的人发邮件。

ExeSQL 组件

该组件通过SQL语句从相应的关系数据库中查询结果。支持MySQL，PostgreSQL，MariaDB。

通过界面盲猜

• • 需要在调用这个插件之前把sql准备好
• • 想不明白，这点用大模型的意图，难道是数据查询出来以后大模型进行处理？
• • 下面就是连接数据库的参数
• • Top N ，默认值30，难道大模型在这里是将查到的数据进行过滤？但是没有填写怎么过滤的地方。

GitHub 插件

该组件用于从 https://github.com/ 搜索仓库。Top N 指定需要调整的搜索结果数量。

搜索、翻译、学术

还提供了搜索、翻译、学术相关的组件，具体怎么用，只能靠盲猜。后续结合官方的示例琢磨下。

通过上面的组件，我们可以看到ragflow的交互难度，对与小白用户不友好，以前觉的腾讯元器的agent死难用，看了这个，觉的，嗯，腾讯的还行。

浏览量: 0