Ladebeze66/coffreobsidian
1
0
Fork 0
mirror of https://github.com/Ladebeze66/coffreobsidian.git synced 2025-12-17 00:07:44 +01:00
Code Issues Packages Projects Releases Wiki Activity
coffreobsidian/inbox/Ragflow modérée-avancée.md
Ladebeze66 cd8ca51e86 Mise à jour rapide
2025-03-28 16:18:37 +01:00

3.8 KiB
Raw Blame History

✅ accès à l’interface web de Ragflow (donc configuration manuelle par l’UI)
✅ tous tes documents en français
✅ une instance Ollama avec les meilleurs modèles (chat, vision, embedding, reranker) via http://217.182.105.173:11434

Voici un résumé clair et actionnable de ce que tu dois faire dans l’interface Web de Ragflow, étape par étape, pour une configuration équilibrée/avancée :

⚙️ ÉTAPE 1 : Ajout des modèles dans Ragflow Web

Rends-toi dans "Model Settings" → "Add LLM", et configure les modèles ci-dessous (un par un).

🧠 1. Modèle principal de chat (DeepSeek ou Qwen)

Champ Valeur
Model type chat
Model name deepseek-r1:70b-llama-distill-q8_0 (ou qwen2.5:72b...)
Base url http://217.182.105.173:11434
API-Key (laisser vide)
Max Tokens 1024
Does it support Vision? ❌ (désactiver, sauf si tu utilises Llama3 Vision en chat)

✅ Si tu veux un modèle rapide pour les tests, ajoute aussi mistral:latest avec 512 tokens max.

👁 2. Modèle de vision (analyse des images/schémas)

Champ Valeur
Model type image2text
Model name llava:34b-v1.6-fp16 (ou) llama3.2-vision:90b...
Base url http://217.182.105.173:11434
Does it support Vision? ✅ ON

🔁 Tu peux ajouter les deux si tu veux basculer entre rapide/lourd.

🔤 3. Embedding (indexation vectorielle)

Champ Valeur
Model type embedding
Model name nomic-embed-text
Base url http://217.182.105.173:11434

🧠 4. Reranker (pertinence des réponses)

Champ Valeur
Model type rerank
Model name bge-reranker-v2-m3
Base url http://217.182.105.173:11434

📂 ÉTAPE 2 : Configurer la base de documents (dataset)

Quand tu crées une nouvelle base :

  1. Choisir les bons modèles :

    • Chat model → ton modèle principal (deepseek, qwen, etc.)

    • Embedding model → nomic-embed-text

    • Reranker → bge-reranker-v2-m3

    • Img2Text → llava ou llama3 vision

  2. Détection de layout (PDF) :

    • Choisir DeepDoc comme mode de parsing (il structure mieux)

    • ✅ Active OCR si tu veux extraire aussi les annotations dans les images

  3. Traduction automatique :

    • ⚠️ Non encore native dans Ragflow → à faire via script ou édition manuelle

    • 👉 Solution temporaire : éditer les chunks générés dans l’UI pour ajouter la version traduite en anglais et/ou interprétation schéma

✏️ ÉTAPE 3 : Améliorer les documents manuellement (temporairement)

Une fois les documents ingérés :

  1. Va dans le Dataset → Onglet Documents

  2. Clique sur un document → Edit chunks

  3. Pour chaque chunk contenant un schéma ou texte critique :

    • ✍️ Ajoute une traduction en anglais

    • 🔁 Si image : génère un prompt à llava depuis une capture d’écran du schéma

    • ✅ Colle l’interprétation dans le chunk

Tu peux aussi écrire un script pour automatiser ce processus plus tard (tu veux ?)

✅ Bonnes pratiques

  • 🔄 Tous les textes importants doivent être traduits en anglais pour de meilleurs embeddings

  • 🧩 Si un chunk contient une figure interprétée, commence le texte par : Figure X – Interprétation : ...

  • 📍 Garde le français visible dans le chunk ou en métadonnée si tu veux le restituer côté interface

Souhaites-tu que je te prépare un fichier .md avec ces étapes, les modèles et les champs prêts à remplir dans Ragflow, pour Obsidian ou impression ?