大模型入门指南

RAGFlow 的召回模块并非简单的向量检索，而是集成了 **参数解析 → 模型一致性校验 → 查询增强 → 混合召回 → 动态重排序 → 阈值过滤与分页** 的完整闭环。

在 RAGFlow 的文档解析体系中，PPT 文件的解析流程相对独特。它不仅要提取页面中的文字、表格内容，还需要生成每一页的缩略图，保证多模态检索场景下的语义对齐。

书籍文件往往篇幅巨大、结构复杂，不同章节、目录、致谢等混杂在同一文档中。RAGFlow 通过自动识别版面结构、过滤非正文、并结合视觉模型生成图片摘要，实现对长文档的精准切分与高质量抽取。

论文类文档是 RAG 应用中最具挑战性的解析类型之一。 与普通 pdf 或 ppt 不同的是，paper 通常包含复杂的版面结构：摘要、公式、表格、参考文献等，且跨且跨页、双栏、脚注等情况极为常见。

未来的上下文工程将不再是“让 AI 记住上下文”，而是让 AI 理解并共创上下文。 而真正的智能，不是拥有记忆，而是知道——什么值得被记住。

在 RAGFlow 的多文档解析体系中，HTML、JSON 与 DOC 三类文档具有天然的结构化特性。 相较于 PDF、Markdown 等复杂输入，它们的语义边界更清晰、噪声更少、解析路径更短。

在 RAGFlow 中，Markdown 以其自带的语义结构，使解析器无需 OCR 或排版分析即可精准还原内容层次，是一种独特且高效的输入类型。

本期我们将聚焦这些结构化与半结构化数据的处理方案。Excel/CSV/TXT 文档的处理更注重数据完整性、格式保真和高效提取。RAGFlow 通过精巧的设计，为每种格式提供了最优的语义切块策略。

本期我们将挑战文档处理领域的"终极 BOSS"—— pdf 格式。作为最复杂、最通用的文档格式，版面布局千变万化，文字提取难度极高。RAGFlow 为不同特性的 pdf 文档提供了针对性的解决方案。

本系列文章带你从源码角度深度剖析 RAGFlow，从文件上传、解析、切分、向量化到最终入库。本文聚焦于文档解析与切分的全流程概述，为理解整个 RAGFlow 流程打下基础。

本期对 ragflow 分词器的原理进行详细拆解。这一模块作为所有文档类型解析流程的公共组件，承担了语义分段、文本归一化、chunk 边界控制等底层职责。

本期我们将从通用机制深入到具体文件类型的实现逻辑，聚焦 word 文档在 navie parser 下的语义切块原理。

对比 DeepSeek-OCR 与 PaddleOCR-VL，揭示前者识别弱但理解强的本质，解释你觉得它“不好用”的真正原因。

当 AI 能“看懂”图片，它是否比人更懂文字？本文拆解三种最新视觉方案——DeepSeek-OCR、PaddleOCR-VL、Glyph，讨论背后隐藏问题：AI 的阅读力，究竟比我们更聪明，还是更模糊

近期，微软开源的下一代 RAG 技术—— Graph RAG 被开发者们津津乐道，相比较传统的 RAG，它更高效，更全面，更准确，然而代价是什么，Graph RAG 真的适合你吗？阅读本文，找到答案。

在人工智能领域，如何选择适合的大模型可能令人困惑。本文将深入探讨三种基础架构及其代表模型，并通过介绍三种基准测试，帮助你理解如何评价和选择模型。让我们一起找到最适合你的大模型。

你一定听说过当下风靡全球的 ChatGPT，但你知道它是如何利用 Transformer 模型的神奇力量吗？这里将用最通俗易懂的方式，揭秘 Transformer 的来龙去脉，结构原理。