当前位置：首页 > wzjs >正文

网站开发网页制作薪资免费b站推广短视频

wzjs 2025/8/27 7:38:48

网站开发网页制作薪资,免费b站推广短视频,有什么做糕点的视频网站,营销型网站手机端概述在历经半个月的间歇性开发后，RagflowPlus再次迎来一轮升级，正式发布v0.4.0。开源地址：https://github.com/zstar1003/ragflow-plus 更新方法下载仓库最新代码： git clone https://github.com/zstar1003/ragflow-plus.…

概述

在历经半个月的间歇性开发后，RagflowPlus再次迎来一轮升级，正式发布v0.4.0。

开源地址：https://github.com/zstar1003/ragflow-plus

更新方法

下载仓库最新代码：

git clone https://github.com/zstar1003/ragflow-plus.git

使用docker启动：

# cpu模式
docker compose -f docker/docker-compose.yml up -d
# gpu模式
docker compose -f docker/docker-compose_gpu.yml up -d

首次启动会自动拉取最新版本镜像。

新功能

1. 上传文件支持文件夹

在此版本中，优化了上传文件，目前支持选择文件夹进行上传。

系统会自动识别，将该文件夹及其子文件夹中所有文件提取上传。

新增的选择文件夹按钮

同时，该版本重新调整了文件上传的请求通道，减少上传超时的可能性。

2. 文档撰写模式全新升级

此版本重点重构了文档撰写模块，目前在此版本中，支持自定义模板，可将当前文档内容保存为自定义名称的模板，并可对现有模板进行调整删除。

同时，文档撰写后端采用了独立的响应通道，不再需要依赖助理设置进行输出，响应速度大幅提升。

左下角增加配置选项，可以自由选择一个或多个知识库信息，同时可调节较为常用的三个搜索及模型参数。

考虑到过多的文档内容输入，有超过模型输入上限的风险。本版本对输入模型的文本范围进行重新优化，会自动选取光标位置上下文最多共4000个字符输入到问答模型中。

功能优化

1. 解析逻辑调整

本版本重新调整了解析逻辑，在解析时增加了和搜索一致的分词器，解决了上一版本中，做知识库检索时，关键词相似度为0的情况。

具体细节可参考本系列第24篇文章：【Ragflow】24.Ragflow-plus开发日志：增加分词逻辑，修复关键词检索失效问题

2. 知识库创建人权限问题

在上一版本中，知识库创建时，创建人选择非初始用户，问答时会出现报错。
本版本修复了这一问题。

3. excel解析优化

本版本对excel类型的文件采用了单独的解析管线，速度更快，效果更好。

具体细节可参考本系列第25篇文章：【Ragflow】25.Ragflow-plus开发日志：excel文件解析新思路/公式解析适配

4. Ollama解析接口调整

有群友提到(issue#65)，使用ollama构建嵌入模型时，前台接口采用的是api/embeddings，而上版本后端接口采用的是v1/embeddings，不同的接口返回值不一致，会造成向量相似度计算偏差较大。

下面写了一个测试脚本，具体测试了一下这两种接口的具体调用结果：

import requests
import time# Ollama配置
OLLAMA_HOST = "http://localhost:11434"  # 默认Ollama地址
MODEL_NAME = "bge-m3"  # 使用的embedding模型
TEXT_TO_EMBED = "测试文本"# 定义接口URL和对应的请求体结构
ENDPOINTS = {"api/embeddings": {"url": f"{OLLAMA_HOST}/api/embeddings",  # 原生API路径"payload": {"model": MODEL_NAME, "prompt": TEXT_TO_EMBED},  # 原生API用prompt字段},"v1/embeddings": {"url": f"{OLLAMA_HOST}/v1/embeddings",  # OpenAI兼容API路径"payload": {"model": MODEL_NAME, "input": TEXT_TO_EMBED},  # OpenAI兼容API用input字段},
}headers = {"Content-Type": "application/json"}def test_endpoint(endpoint_name, endpoint_info):"""测试单个端点并返回结果"""print(f"\n测试接口: {endpoint_name}")url = endpoint_info["url"]payload = endpoint_info["payload"]try:start_time = time.time()response = requests.post(url, headers=headers, json=payload)response_time = time.time() - start_timeprint(f"状态码: {response.status_code}")print(f"响应时间: {response_time:.3f}秒")try:data = response.json()# 处理不同接口的响应结构差异embedding = Noneif endpoint_name == "api/embeddings":embedding = data.get("embedding")  # 原生API返回embedding字段elif endpoint_name == "v1/embeddings":embedding = data.get("data", [{}])[0].get("embedding")  # OpenAI兼容API返回data数组中的embeddingif embedding:print(f"Embedding向量长度: {len(embedding)}")return {"endpoint": endpoint_name,"status_code": response.status_code,"response_time": response_time,"embedding_length": len(embedding),"embedding": embedding[:5],}else:print("响应中未找到'embedding'字段")return {"endpoint": endpoint_name, "status_code": response.status_code, "error": "No embedding field in response"}except ValueError:print("响应不是有效的JSON格式")return {"endpoint": endpoint_name, "status_code": response.status_code, "error": "Invalid JSON response"}except Exception as e:print(f"请求失败: {str(e)}")return {"endpoint": endpoint_name, "error": str(e)}def compare_endpoints():"""比较两个端点的性能"""results = []print("=" * 50)print(f"开始比较Ollama的embeddings接口，使用模型: {MODEL_NAME}")print("=" * 50)for endpoint_name, endpoint_info in ENDPOINTS.items():results.append(test_endpoint(endpoint_name, endpoint_info))print("\n" + "=" * 50)print("比较结果摘要:")print("=" * 50)successful_results = [res for res in results if "embedding_length" in res]if len(successful_results) == 2:if successful_results[0]["embedding_length"] == successful_results[1]["embedding_length"]:print(f"两个接口返回的embedding维度相同: {successful_results[0]['embedding_length']}")else:print("两个接口返回的embedding维度不同:")for result in successful_results:print(f"- {result['endpoint']}: {result['embedding_length']}")print("\nEmbedding前5个元素示例:")for result in successful_results:print(f"- {result['endpoint']}: {result['embedding']}")faster = min(successful_results, key=lambda x: x["response_time"])slower = max(successful_results, key=lambda x: x["response_time"])print(f"\n更快的接口: {faster['endpoint']} ({faster['response_time']:.3f}秒 vs {slower['response_time']:.3f}秒)")else:print("至少有一个接口未返回有效的embedding数据")for result in results:if "error" in result:print(f"- {result['endpoint']} 错误: {result['error']}")if __name__ == "__main__":compare_endpoints()

输出结果如下：

Embedding前5个元素示例:
- api/embeddings: [-1.6793335676193237, 0.28421875834465027, -0.3738324046134949, -0.12534970045089722, 0.22841963171958923]
- v1/embeddings: [-0.0640459, 0.0108394455, -0.014257102, -0.004780547, 0.008711396]更快的接口: api/embeddings (0.078秒 vs 0.091秒)