RAGFlow 实现_ragflow 支持文件数量

         RAGFlow（Retrieval-Augmented Generation Flow）是一个基于深度文档理解的开源引擎。它可以为规模企业提供简化的 RAG（检索增强生成） 工作流程，结合大型语言模型提供真实的对话功能，重点是它能够支持私有化的知识库，弥补大语言模型在特定场景中相关知识的不足，很好的解决了个性化应用的纵深问题。

        这篇文档描述的是知识库的构建、管理与应用。管理层面的输入是知识库文档，返回的是文档的管理状态，结合前端页面，用户可以方便的管理自己的知识库。应用层面的输入是用户的会话内容，输出的是相关性文档切片集合，后续工作流可以通过接入到大语言模型生成话术文案，疏通逻辑，实现仿写、渲染等效果。

1. 新增知识库

   • 文件类型：支持 docx、pdf 和 txt 格式文本，语言为中文、英文或中英文混排；

   • 文档切片：切片长度可以根据业务特点，长度控制建议在 512 - 1024 之间为宜；

   • 构建向量：将文本拆分为单词或基本单元，提取特征，采用算法转化为数值向量。

   • 索引存储：文档 ID、文档地址、文档片段及片段向量，以及业务的其他扩展字段；

2. 删除知识库

   • 根据文档 ID 删除向量库中该文档的所有记录，记录包括文档地址、片段和向量；

   • 删除操作采用真实删除，因为文档修改会变更分片和向量，使更新操作意义不大；

3. 检索知识库

   • 对用户输入进行预处理，处理过程包括敏感信息提示与过滤，文本的纠错和编排；

   • 对预处理后的信息进行构建，构建过程必须与构建时使用的组件与模型保持一致；

   • 对向量库检索，根据业务要求返回分片数，相似度阈值区间建议在 0.6 - 0.9 之间；

   • 根据文档分片组装 prompt，提交大语言模型服务生成符合用户要求的全新的文档；

   • 结合用户的会话历史、背景及上下文信息来进行重新构建和渲染，生成目标内容；

向量模型（部分）