ragflow-ollama 知识库建立测试

ollama查看模型

C:\Users\DK>ollama show deepseek-r1:7bModelarchitecture        qwen2parameters          7.6Bcontext length      131072embedding length    3584quantization        Q4_K_MParametersstop    "<｜begin▁of▁sentence｜>"stop    "<｜end▁of▁sentence｜>"stop    "<｜User｜>"stop    "<｜Assistant｜>"LicenseMIT LicenseCopyright (c) 2023 DeepSeekC:\Users\DK>

1. 架构 (architecture): qwen2
   表示该模型的架构类型是 qwen2，这通常指的是模型所采用的具体神经网络架构设计。不同架构会影响模型的训练效率、推理速度、效果等。
2. 参数量 (parameters): 7.6B (76亿)
   该模型有约76亿个参数。参数量是衡量一个深度学习模型大小的标准，通常与模型的学习能力、性能有关。参数越多，模型的潜在能力越强，但同时也可能需要更多的计算资源。
3. 上下文长度 (context length): 131072
   这个参数表示模型能够处理的最大上下文窗口的大小，即在一次推理中能够考虑的最大输入文本长度。这里是131072个token（词元），说明该模型能够处理非常长的文本输入。
4. 嵌入维度 (embedding length): 3584
   嵌入维度表示每个token或单词在模型内部表示的向量的维度。嵌入维度越高，通常模型能捕捉的语义信息越丰富。这里的值是3584。
5. 量化方式 (quantization): Q4_K_M
   量化是指对模型权重进行压缩，以减少内存使用并加速推理。在这里使用了 Q4_K_M 量化方案。Q4代表使用4位量化，K和M可能是特定的量化策略细节（如如何映射权重值）。
6. 停止符号 (stop tokens):
   "<｜begin▁of▁sentence｜>", "<｜end▁of▁sentence｜>", "<｜User｜>", "<｜Assistant｜>"
   这些是模型用来标记对话开始、结束和区分角色的特殊token。它们帮助模型理解何时开始生成回答，何时结束，以及对话中的哪个部分属于用户，哪个属于助手。
7. 许可证 (License): MIT License
   该模型遵循MIT开源许可证，意味着你可以自由使用、修改、分发该模型，但需要附带原作者的版权声明和许可证。

主要看嵌入维度与上下文长度，这些对rag的部署很重要

阿里云百炼平台测试

在阿里云上找到key，加入进ragflow
模型有免费额度可以进行对比测试

ragflow安装

1.从github网址clone ragflow的仓库
2.\ragflow-main\ragflow-main\docker 更这个文件下的.env
#RAGFLOW_IMAGE=infiniflow/ragflow:v0.15.0-slim
#
# To download the RAGFlow Docker image with embedding models, uncomment the following line instead:
RAGFLOW_IMAGE=infiniflow/ragflow:v0.16.0
注释silm 打开完整版
3.来到.env文件下docker compose -f docker-compose.yaml up -d

如果使用localhost按登录没反应，换成其他本地的网卡地址

添加模型

ollama则可以用他暴露的局域网地址api
qwen直接用一条apikey就可以

选择全局模型，和embeding，其他默认即可

配置知识库

调用api的效果要优于本地模型