分享下raglow的agent，也就是工作流。

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。

智能体应用

我们结合一个官方的agent示例，简单的了解下

使用客服模板创建。

流程示例

梳理了下示例

先看下整体流程

• 红色的线代表整个运行流程。

• 在这个过程中把问题也细化了

• 也检索到了对应的内容

• 一旦关闭了右侧的聊天框，再打开就没了，就体验来说和dify差的太多。

开始节点

作为交互程序，开始节点不需要设置什么。只设置好开白场即可。

问题分类

在每个分类下，都有对应的描述，和示例，32b的模型能流畅的运行。

随便聊聊

缓解抱怨

细化问题

知识检索

根据知识库推导

发布应用

点击右上角的嵌入网站，我们可以看到一串html代码，我们把http连接拿到，直接在浏览器里可以访问。

总结

• ragflow的的官方文档相对来说还是比较欠缺的，特别是用户交互这块。

• ragflow的ui使用成本相对比较高，组件不知道返回什么，只能根据示例或意图推断

• 使用ragflow建议是有技术底子的

• 英文文档的描述习惯和中文还是有很大的差别的

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】