```
https://datav.aliyun.com/portal/school/atlas/area_selector
```
阿里云的地图的数据。
### 图1：
从eacharts官网随便找了一个图。把源码拷贝到chart1.js文件中。
根据house_mean这个id去找，我在html代码中要显示的地方。
```
var chartDom = document.getElementById('house_mean');
```
### 把csv文件，导入到数据库中去。
```
create database house_data CHARACTER set utf8mb4 COLLATE utf8mb4_unicode_ci;
```
```python
import pandas as pd
from sqlalchemy import create_engine
#连接数据库，你们将来需要换成自己的信息
user = 'root'
password = 'ilovelaohan'
host = '127.0.0.1'
port = '3306'
database = 'house_data'
#创建数据库引擎
engine = create_engine('mysql+pymysql://' + user + ':' + password + '@' + host + ':' + port + '/' + database)
df = pd.read_csv('D:/temp/xd/webprj/web/房源数据_清洗后.csv')
#插入数据库
table_name = 'house'
df.to_sql(table_name, engine, if_exists='append', index=False)
print(f'插入数据 {len(df)} 条')
```
但是表的定义的，的数据类型都是完全不对的。还是要用合适的类型。
下面这个代码跟上面的唯一区别，就是有了数据定义，decimal
```python
import pandas as pd
from sqlalchemy import create_engine
from sqlalchemy.types import Integer, DECIMAL, VARCHAR, DateTime
# 1. 准备数据库连接（请替换成你自己的信息）
user = 'root' # 通常是 'root'
password = 'ilovelaohan'
host = 'localhost' # 数据库在本机
port = 3306 # MySQL 默认端口
database = 'house_data' # 需要提前创建好
# 创建数据库引擎
engine = create_engine(f'mysql+pymysql://{user}:{password}@{host}:{port}/{database}')
# 2. 读取 CSV 文件
df = pd.read_csv('D:/temp/xd/webprj/web/房源数据_清洗后.csv')
# 3. 数据清洗与预处理
# 把 CSV 中的空格替换为 NaN，否则导入的都是带空格的字符串
df.replace(' ', pd.NA, inplace=True)
# 将挂牌时间从 '2026/4/16' 标准格式改为 datetime 类型
df['挂牌时间'] = pd.to_datetime(df['挂牌时间'])
# 4. 将数据写入 MySQL 表
table_name = 'house' # 你的表名
# 3. 按你要求的精度定义数据类型映射
dtype_mapping = {
# 精确数值类型（DECIMAL）
'建筑面积': DECIMAL(8, 2), # 总位数8，小数2位
'单价': DECIMAL(10, 2), # 总位数10，小数2位
'同比去年': DECIMAL(5, 2), # 总位数5，小数2位，范围 -99.99 ~ 99.99
'环比上月': DECIMAL(5, 2), # 总位数5，小数2位
'经度': DECIMAL(11, 8), # 整数3位+小数8位
'纬度': DECIMAL(11, 8), # 整数3位+小数8位
'总价': DECIMAL(8, 2), # 总位数8，小数2位
# 整数类型
'总楼层': Integer(),
'挂牌天数': Integer(),
'所在楼层': VARCHAR(50),
# 字符串类型
'城市': VARCHAR(30),
'区域': VARCHAR(30),
'所在区域': VARCHAR(30),
'小区名称': VARCHAR(50),
'房屋朝向': VARCHAR(50),
'装修情况': VARCHAR(50),
'产权性质': VARCHAR(50),
'建筑年代': VARCHAR(50),
'房源定位': VARCHAR(50),
'面积区间': VARCHAR(50),
'房屋户型': VARCHAR(200),
'房源标签': VARCHAR(200),
'地铁信息': VARCHAR(200),
'房屋结构': VARCHAR(20),
'挂牌年月': VARCHAR(20),
'挂牌时长': VARCHAR(20),
# 日期时间
'挂牌时间': DateTime(),
}
# df.to_sql(table_name, engine, if_exists='replace', index=False, chunksize=1000)
df.to_sql(table_name, engine, if_exists='replace',
chunksize=1000,dtype=dtype_mapping,index=True,index_label='houseid')
print(f"成功将 {len(df)} 条数据导入到 {database}.{table_name}")
```
### 活的数据的图1
#### utils.py
```python
import pandas as pd
from sqlalchemy import create_engine
#工具类，读取我数据库的数据
def getHouseData():
#连接数据库，你们将来需要换成自己的信息
user = 'root'
password = 'ilovelaohan'
host = '127.0.0.1'
port = '3306'
database = 'house_data'
#创建数据库引擎
engine = create_engine('mysql+pymysql://' + user + ':' + password + '@' + host + ':' + port + '/' + database)
query = "select * from house"
df = pd.read_sql(query, engine)
return df
```
#### views.py
```python
from .utils import getHouseData
from django.shortcuts import render
def home(request):
df = getHouseData()
xian_data = df[df['城市']=='西安']
#定义一个显示区域列表
main_dist = ['未央','雁塔','碑林','莲湖','灞桥','新城','长安','高新','曲江新区']
xian_data = xian_data[xian_data['区域'].isin(main_dist)]
#计算各区域的均价
region_price = xian_data.groupby('区域')['单价'].mean().round(0)
context = {
"region_names": list(region_price.index),
# "region_prices": list(region_price.values) #float64在js当中是不支持的
"region_prices": [float(p) for p in region_price.values],
}
return render(request, 'index.html', context)
```
#### urls.py
```python
"""
URL configuration for web project.
The `urlpatterns` list routes URLs to views. For more information please see:
https://docs.djangoproject.com/en/5.2/topics/http/urls/
Examples:
Function views
1. Add an import: from my_app import views
2. Add a URL to urlpatterns: path('', views.home, name='home')
Class-based views
1. Add an import: from other_app.views import Home
2. Add a URL to urlpatterns: path('', Home.as_view(), name='home')
Including another URLconf
1. Import the include() function: from django.urls import include, path
2. Add a URL to urlpatterns: path('blog/', include('blog.urls'))
"""
from django.contrib import admin
from django.urls import path
from django.shortcuts import render
from . import views
urlpatterns = [
path('admin/', admin.site.urls),
path('',views.home)
]
```
#### index.html
```
```
#### chart1.js
```js
function chart1(){
var chartDom = document.getElementById('house_mean');
var myChart = echarts.init(chartDom);
var option;
option = {
xAxis: {
type: 'category',
data: region_names,
axisLabel:{
rotate:45,
interval:0,
fontsize:10
}
},
yAxis: {
type: 'value'
},
series: [
{
data: region_prices,
type: 'bar',
showBackground: true,
backgroundStyle: {
color: 'rgba(180, 180, 180, 0.2)'
}
}
]
};
option && myChart.setOption(option);
}
```
### Views.py
```
from .utils import getHouseData
from django.shortcuts import render
import pickle
import pandas as pd
def home(request):
df = getHouseData()
xian_data = df[df['城市']=='西安']
#定义一个显示区域列表
main_dist = ['未央','雁塔','碑林','莲湖','灞桥','新城','长安','高新','曲江新区']
xian_data = xian_data[xian_data['区域'].isin(main_dist)]
#计算各区域的均价
region_price = xian_data.groupby('区域')['单价'].mean().round(0)
#挂牌数量
recent_data = xian_data[xian_data['挂牌年月'] >= '2025-06']
month_stats = recent_data.groupby('挂牌年月').size().sort_index()
#各区域的统计
region_count = xian_data.groupby('区域').size()
#词云图 应该用昨天机器学生生成那两个特种重要性的文件来获取
with open('house_price_model.pkl','rb') as f:
model = pickle.load(f)
with open('feature_columns.pkl', 'rb') as f:
feaure_columns = pickle.load(f)
#计算特正的重要性
feature_importance = pd.DataFrame({
'特征': feaure_columns,
'重要性': model.feature_importances_
}).sort_values('重要性',ascending=False)
feature_names = feature_importance['特征'].tolist()
importance_values = [float(v) for v in feature_importance['重要性'].tolist()]
context = {
"region_names": list(region_price.index),
# "region_prices": list(region_price.values) #float64在js当中是不支持的
"region_prices": [float(p) for p in region_price.values],
"month_lables": list(month_stats.index),
"month_counts": [float(p) for p in month_stats.values],
"region_counts": [int(c) for c in region_count.values],
"feature_names": feature_names,
"importance_values": importance_values,
}
return render(request, 'index.html', context)
```
### index.html
```
{% load static %}
| 小区名称 | 所在区域 | 户型结构 | 装修情况 | 房屋户型 | 房屋朝向 | 所在楼层 | 产权 | 房屋结构 | 建筑面积 | 单价 | 总价 | 房源类型 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| {{ item.小区名称 }} | {{ item.所在区域}} | {{ item.房屋户型 }} | {{ item.装修情况 }} | {{ item.房屋户型 }} | {{ item.房屋朝向 }} | {{ item.所在楼层 }} | {{ item.产权性质 }} | {{ item.房屋结构 }} | {{ item.建筑面积 }} | {{ item.单价 }} | {{ item.总价 }} | {{ item.房源类型 }} |
| 暂无数据 | ||||||||||||
**MCP 的核心价值：**
- 标准化开发：开发者只需按照 MCP 协议开发一次 Server，理论上就能被所有兼容 MCP 的 Host 使用，无需为不同模型或平台重复编写适配代码，显著降低开发工作量。
- 生态共享：开发出的 MCP Server 可以开放共享，减少开发者的重复劳动。例如，一个数据库查询插件，无需在 Coze 和 Dify 上分别实现，只要两者都支持 MCP，就能使用同一个 Server。
## MCP Server
简单理解为：一个轻量级程序，它通过标准化的 MCP 协议向客户端“暴露”特定的功能或数据访问能力，让大模型能够间接调用。
常见的 MCP Server 类型：
- 文件和数据访问类：允许模型操作本地文件或数据库（如 FileSystem MCP Server, MongoDB MCP Server）。
- Web 自动化类：允许模型控制浏览器执行任务（如 Puppeteer MCP Server）。
- 三方工具集成类：允许模型调用外部平台 API（如 高德地图 MCP Server）。
- 官方 Server 仓库
https://github.com/modelcontextprotocol/servers
包含官方示例、官方集成和社区开发的 Server。
```
https://glama.ai/mcp/servers
```
## **在 Cherry Studio 中 MCP**
### 文件系统MCP
- 安装环境：打开 Cherry Studio 客户端，在“设置” -> “MCP 服务器”中，根据提示安装所需的环境。
- 添加 Server：在搜索框搜索 @modelcontextprotocol/server-filesystem，这是一个简单的文件系统访问 Server。
- 配置 Server：点击“+”号添加，系统会自动填充部分配置。我们需要补充一个 args 参数，指定允许访问的本地文件夹路径，例如 D:/Temp。
- 保存并启用：点击保存。如果服务器状态显示为绿灯，说明配置成功。
则可以对本地文件进行测试了。
### Mysql Mcp
最推荐使用PowerShell脚本来安装。请以管理员身份打开一个PowerShell窗口，然后执行以下命令：
powershell
```
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
```
这条命令会从官方源下载安装脚本并执行，通常会将 `uv.exe` 和 `uvx.exe` 安装到 `C:\Users\<你的用户名>\.local\bin\` 目录下。
UV安装完毕之后，手工将 uv加入到 PATH中。
```
uv --version
```
#### 安装 mysql-mcp-server
在空闲磁盘上找一个目录，比如 `C:/mcp`， 打开命令行工具，输出以下命令：
```
# 安装pyton
uv python install 3.13
# 初始化
uv init mysql-mcp
# 进入mysql-mcp目录
cd mysql-mcp
# 添加mysql-mcp-server包
uv add mysql-mcp-server
```
至此，我们将 `mysql-mcp-server`安装至了 `C:/mcp/mysql-mcp` 下。
进入Cherry Studio, 按下图所示，点击左侧“设置”图标，接着选择“MCP服务器”， 然后添加服务器， 在下拉菜单中选择“从JSON导入”。内容如下：
```json
{
"mcpServers": {
"mysql": {
"isActive": true,
"command": "npx.cmd",
"args": [
"-y",
"mysql-mcp-server"
],
"env": {
"MYSQL_HOST": "127.0.0.1",
"MYSQL_PORT": "3306",
"MYSQL_USER": "root",
"MYSQL_PASSWORD": "ilovelaohan",
"MYSQL_DATABASE": "school"
},
"name": "mysql"
}
}
}
```
#### **SQL脚本**
```sql
CREATE DATABASE /*!32312 IF NOT EXISTS*/`school` /*!40100 DEFAULT CHARACTER SET utf8 */;
USE `school`;
/*Table structure for table `course` */
DROP TABLE IF EXISTS `course`;
CREATE TABLE `course` (
`CourseId` varchar(3) primary key NOT NULL COMMENT '课程编号',
`CourseName` varchar(20) NOT NULL COMMENT '课程名称',
`TeacherId` varchar(3) DEFAULT NULL COMMENT '教师编号'
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COMMENT='课程表';
/*Data for the table `course` */
/*Table structure for table `score` */
DROP TABLE IF EXISTS `score`;
CREATE TABLE `score` (
`StudentId` VARCHAR(5) DEFAULT NULL COMMENT '学号',
`CourseId` VARCHAR(3) DEFAULT NULL COMMENT '课程编号',
`Score` FLOAT COMMENT '成绩',
PRIMARY KEY `idx_css` (`CourseId`,`StudentId`)
) ENGINE=INNODB DEFAULT CHARSET=utf8 COMMENT='成绩表';
/*Data for the table `score` */
insert into `score`(`StudentId`,`CourseId`,`Score`) values ('1001','002',38),('1001','001',38),('1001','010',38),('1002','003',85),('1002','002',92),('1002','001',47),('1002','010',70),('1003','006',83),('1003','003',85),('1003','005',75),('1003','001',37),('1003','010',90),('1003','011',26),('1004','007',95),('1004','002',92),('1005','001',28),('1006','015',90),('1006','006',51),('1006','003',74),('1006','004',75),('1007','011',90),('1007','006',89),('1007','003',87),('1007','002',92),('1008','001',99),('1008','012',90),('1008','006',37),('1009','002',87),('1009','010',87),('1009','008',97),('1010','002',92),('1011','009',30),('1012','003',45),('1013','002',42),('1013','001',21),('1013','007',60),('1013','006',47),('1013','012',39),('1000','004',21),('1002','004',60),('1004','004',47),('1008','004',39),('1013','016',49),('1000','014',80),('1004','001',88),('1000','003',76.4286),('1004','003',76.4286),('1005','003',76.4286),('1008','003',76.4286),('1011','003',76.4286),('1013','003',76.4286),('1014','003',76.4286),('1015','003',76.4286),('1016','003',76.4286),('1017','003',76.4286),('1018','003',76.4286),('1019','003',76.4286),('1020','003',76.4286),('1021','003',76.4286),('1022','003',76.4286),('1023','003',76.4286),('1001','003',76.4286);
/*Table structure for table `student` */
DROP TABLE IF EXISTS `student`;
CREATE TABLE `students` (
`StudentId` varchar(5) NOT NULL COMMENT '学号',
`StudentName` varchar(10) NOT NULL COMMENT '学生姓名',
`StudentAge` int(11) DEFAULT NULL COMMENT '学生年龄',
`StudentSex` char(1) DEFAULT '' COMMENT '学生性别',
PRIMARY KEY (`StudentId`),
KEY `ix` (`StudentName`),
KEY `idx_stname_stuage` (`StudentAge`,`StudentName`),
KEY `idx_stnameage_stuage` (`StudentAge`,`StudentSex`,`StudentName`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COMMENT='学生表';
/*Table structure for table `teacher` */
DROP TABLE IF EXISTS `teachers`;
CREATE TABLE `teachers` (
`Teacherid` varchar(3) NOT NULL COMMENT '教师编号',
`TeacherName` varchar(10) NOT NULL COMMENT '教师名称',
`age` int(11) DEFAULT NULL,
PRIMARY KEY (`Teacherid`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COMMENT='教师表';
/*Data for the table `teacher` */
```
在对话框中要选中MCP服务器。
### Playwright
Playwright是微软开源的自动化测试工具，其核心优势在于：
跨浏览器支持：原生兼容Chromium（Chrome/Edge）、Firefox、WebKit（Safari），无需手动安装驱动。
高效稳定：
自动等待机制：操作前自动等待元素加载，减少硬编码sleep。
智能选择器：支持Shadow DOM穿透和动态元素定位，降低维护成本。
多场景覆盖：支持文件上传下载、跨域操作、移动端模拟等复杂需求。
**在CharryStudio中搜索并添加**
```
@executeautomation/playwright-mcp-server
```
**安装Playwright：**
```
pip install playwright
playwright install # 自动安装浏览器驱动
```
**部署MCP Server：**
```
用法: npx @executeautomation/playwright-mcp-server
NPM: https://www.npmjs.com/package/@executeautomation/playwright-mcp-server
```
然后就可以用了。
```
打开百度首页，搜索kfc，并将搜索的结果给我截图。
```
对比传统工具：Playwright + MCP的颠覆性优势
```
打开https://news.hsw.cn/ 并获取前5条新闻的标题
```
## Python+MCP
```python
import asyncio
import json
import sys
import warnings
import os
import gc
from openai import OpenAI
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
# 忽略所有警告
warnings.filterwarnings("ignore")
# 解决Windows事件循环问题
if sys.platform == 'win32':
asyncio.set_event_loop_policy(asyncio.WindowsProactorEventLoopPolicy())
# 表结构信息
TABLE_SCHEMA = """
CREATE TABLE `house` (
`houseid` bigint(20) DEFAULT NULL COMMENT '房屋ID',
`城市` varchar(30) DEFAULT NULL COMMENT '所在城市',
`区域` varchar(30) DEFAULT NULL COMMENT '所在区域',
`总价` decimal(8,2) DEFAULT NULL COMMENT '房屋总价（万元）',
`单价` decimal(10,2) DEFAULT NULL COMMENT '每平米单价（元）',
`建筑面积` decimal(8,2) DEFAULT NULL COMMENT '建筑面积（平米）',
`小区名称` varchar(50) DEFAULT NULL COMMENT '小区名称'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='房屋信息表';
"""
class MySQLMCP:
def __init__(self):
self.ai_client = OpenAI(
api_key="sk-qpniofalprutccivhqokdzuqqdlaemnzjmgwrzsvwwxjblbi",
base_url="https://api.siliconflow.cn/v1"
)
self.model = "deepseek-ai/DeepSeek-V3"
self.server_params = StdioServerParameters(
command="npx.cmd",
args=["-y", "mysql-mcp-server"],
env={
"MYSQL_HOST": "127.0.0.1",
"MYSQL_PORT": "3306",
"MYSQL_USER": "root",
"MYSQL_PASSWORD": "ilovelaohan",
"MYSQL_DATABASE": "house_data",
}
)
self.session = None
self.mcp_tools = []
self._stdio_context = None
self._session_context = None
self._read = None
self._write = None
async def connect(self):
"""连接MCP Server"""
self._stdio_context = stdio_client(self.server_params)
self._read, self._write = await self._stdio_context.__aenter__()
self._session_context = ClientSession(self._read, self._write)
self.session = await self._session_context.__aenter__()
await self.session.initialize()
result = await self.session.list_tools()
self.mcp_tools = result.tools
print(f"MCP Server连接成功")
print(f"可用工具: {[tool.name for tool in self.mcp_tools]}")
async def ask(self, question: str) -> str:
"""自然语言查询数据库"""
if not self.session:
await self.connect()
tools = []
for tool in self.mcp_tools:
tools.append({
"type": "function",
"function": {
"name": tool.name,
"description": tool.description or f"执行{tool.name}操作",
"parameters": tool.inputSchema
}
})
print(f"\n问题: {question}")
print("AI思考中...")
response = self.ai_client.chat.completions.create(
model=self.model,
messages=[
{"role": "system", "content": f"""MySQL助手，数据库: house_data
表结构:
{TABLE_SCHEMA}
规则:
1. 使用 execute_query 执行SQL
2. 中文字段用反引号: `城市`、`总价`
3. 直接返回查询结果"""},
{"role": "user", "content": question}
],
tools=tools,
tool_choice="auto"
)
message = response.choices[0].message
if message.tool_calls:
tool_results = []
for tool_call in message.tool_calls:
func_name = tool_call.function.name
args = json.loads(tool_call.function.arguments)
print(f"调用工具: {func_name}")
print(f"参数: {json.dumps(args, ensure_ascii=False)}")
result = await self.session.call_tool(func_name, args)
tool_result = result.content[0].text if result.content else str(result)
tool_results.append({
"tool_call_id": tool_call.id,
"content": tool_result
})
print(f"结果: {tool_result[:200]}..." if len(tool_result) > 200 else f"结果: {tool_result}")
messages = [
{"role": "system", "content": "根据查询结果回答用户问题。"},
{"role": "user", "content": question},
message
]
for tr in tool_results:
messages.append({
"role": "tool",
"tool_call_id": tr["tool_call_id"],
"content": tr["content"]
})
final = self.ai_client.chat.completions.create(
model=self.model,
messages=messages
)
return final.choices[0].message.content
return message.content or "无法处理"
async def close(self):
"""安全关闭MCP连接，解决Windows管道析构报错"""
# 反向顺序关闭session -> stdio
if self._session_context is not None:
try:
await self._session_context.__aexit__(None, None, None)
except Exception:
pass
self._session_context = None
self.session = None
if self._stdio_context is not None:
try:
await self._stdio_context.__aexit__(None, None, None)
except Exception:
pass
self._stdio_context = None
# 清空管道引用，提前释放资源
self._read = None
self._write = None
# Windows 额外等待一小段时间让子进程正常退出
if sys.platform == "win32":
await asyncio.sleep(0.05)
# 强制垃圾回收，避免__del__延迟触发报错
gc.collect()
# 使用 subprocess 隔离解决警告
import subprocess
def query_sync(question: str) -> str:
"""同步查询 - 使用子进程隔离，彻底解决Windows警告"""
script = os.path.join(os.path.dirname(__file__), "mysql_mcp_worker.py")
try:
result = subprocess.run(
[sys.executable, script, question],
capture_output=True,
text=True,
timeout=60
)
if result.returncode == 0 and result.stdout:
data = json.loads(result.stdout)
return data.get("result", "查询失败")
else:
return f"查询失败: {result.stderr}"
except subprocess.TimeoutExpired:
return "错误: 查询超时"
except Exception as e:
return f"错误: {str(e)}"
#直接使用 asyncio.run
async def query_async(question: str) -> str:
"""异步查询"""
client = MySQLMCP()
try:
await client.connect()
return await client.ask(question)
finally:
await client.close()
# 主协程结束前手动回收资源
gc.collect()
def query(question: str) -> str:
"""推荐使用：直接查询"""
res = asyncio.run(query_async(question))
# 顶层再执行一次gc，兜底清理管道对象
gc.collect()
return res
if __name__ == "__main__":
result = query("西安最大的房子在哪里？")
print(f"\n回答:\n{result}")
```
## SpringBoot+AI+MCP
#### mysql-mcp-server
##### **配置调用的MCP Server**
执行以下命令安装对应的MCP Server到机器上:
```
npm install mysql-mcp-server
```
##### **Maven依赖**
```xml
## 模型类型说明
#### A）Chat模型 (AI的“嘴皮子”)
- 干啥用的：负责和你聊天对话，生成人类能看懂的回答
- 经典模型：Llama3、Qwen、GPT、DeepSeek
- 举个栗子 ： 当你问“如何安装Ollama”，Chat模型就会像话痨同事一样，把安装步骤一条条讲给你听
- 选型秘诀：
- 需要“话多且准”：选参数大的模型（比如70B）
- 电脑配置低：用7B小模型（虽然可能胡说八道）
#### B）Embedding模型 (文字“翻译官”)
- 干啥用的：把文字变成一串数字（向量），方便计算机理解语义
- 经典模型：BGE、text2vec、OpenAI的text-embedding-3-small
- 灵魂比喻： 相当于给每句话发一个身份证号，说“春天”和“花开”的号码接近，“冰箱”和“宇宙”的号码离得远
- 选型秘诀：
- 中文优先：选bge-large-zh这类中文专用模型
- 速度优先：用small版（精度会下降）
#### C）Rerank模型 (结果“质检员”)
- 干啥用的：对搜索出的100条结果重新打分，把最相关的排到最前面
- 经典模型：bge-reranker、cohere-rerank
- 举个栗子 ： 你搜“苹果”，初步结果可能包含水果、手机、电影公司。Rerank模型会说：“根据上下文，用户其实想查iPhone”，然后把手机相关结果置顶
- 选型秘诀：
- 精准度 vs 速度：大模型准但慢，小模型快但糙
- 可选项少：目前主流就2-3种
#### D）Image2Text模型 —— 图片的“解码器”
- 干啥用的：把图片里的文字抠出来（比如扫描版PDF/照片里的文字）
- 经典模型：PaddleOCR、Donut、EasyOCR
- 灵魂场景： 你上传一张表情包截图，AI能读出上面的字：“一键三连的都是帅哥美女！”
- 选型秘诀：
- 中文场景：优先选PaddleOCR（国产之光）
- 复杂排版：用Donut（但吃显卡）
# RagFlow
### 1:克隆仓库并配置环境
```
sudo yum install git
```
```
git clone https://github.com/infiniflow/ragflow.git
或者国内 git clone https://gitee.com/lllgggccc1024/ragflow.git
cd ragflow/docker
```
```
# 如果你访问不了可以
git clone https://gitee.com/infiniflow/ragflow.git
git clone https://gitclone.com/github.com/infiniflow/ragflow
git clone https://kkgithub.com/github.com/infiniflow/ragflow.git
git clone https://bgithub.xyz/github.com/infiniflow/ragflow.git
镜像站是社区公益服务，域名可能变动，如果某个连接不通，换一个试试。同时，不要通过镜像站克隆私有仓库，以免泄露凭据
```
- 也可以修改`.env`文件，选择国内镜像源（阿里云失效改用华为云镜像源）加速下载：
```
RAGFLOW_IMAGE=swr.cn-north-4.myhuaweicloud.com/infiniflow/ragflow:nightly
```
也可以手动下载，然后运行。这个
### 2: 启动服务
```
如果你是使用CPU执行嵌入
docker compose -f docker-compose.yml up -d
如果你是使用GPU加速执行
docker compose -f docker-compose-gpu.yml up -d
如果长时间拉取不下来。更彻底地清理未使用的镜像层（谨慎使用） 然后重新拉取。
docker system prune -f
```
#### 2.1设置显卡
#### 步骤 1：检查系统和 GPU 环境
首先确认你的 CentOS 系统有 NVIDIA GPU，且已安装 NVIDIA 驱动（**驱动版本需≥450.80.02**）。
```bash
# 检查NVIDIA驱动是否安装
nvidia-smi
```
如果该命令能输出 GPU 信息，说明驱动已安装；如果提示命令未找到，需要先安装 NVIDIA GPU 驱动（可参考 NVIDIA 官方文档）。
#### 步骤 2：安装 NVIDIA Container Toolkit
这是让 Docker 支持 GPU 的核心组件，执行以下命令在 CentOS 上安装：
```
docker ps -a
```
```
docker logs -f ragflow-server
```
### 3: 使用步骤及注意事项
登录Web界面
- 浏览器访问`http://192.168.2.100/login`（或修改后的端口），注册账号并登录
### 4: 本地模型本地知识库
```
ollama run qwen3:latest
```
```
ollama pull quentinz/bge-large-zh-v1.5
```
#### 网络设置
如RagFlow何Ollama都在虚拟机上则不存在一下问题。可以跳过。
Centos ping不通 192.168.2.1 192.168.2.2
```cmd
# 1. 允许 ICMP（ping）
netsh advfirewall firewall add rule name="Allow ICMPv4" dir=in action=allow protocol=icmpv4
# 2. 允许 Ollama 端口（11434）
New-NetFirewallRule -DisplayName "Ollama-11434" -Direction Inbound -LocalPort 11434 -Protocol TCP -Action Allow
# 3. 如果需要，允许其他端口（比如 80、443 等）
New-NetFirewallRule -DisplayName "HTTP-80" -Direction Inbound -LocalPort 80 -Protocol TCP -Action Allow
New-NetFirewallRule -DisplayName "HTTPS-443" -Direction Inbound -LocalPort 443 -Protocol TCP -Action Allow
```
在C:\Users\Administrator\.ollama建立start_ollama.bat文件
```bat
echo Starting Ollama with network access...
set OLLAMA_HOST=0.0.0.0
start ollama serve
echo Waiting...
timeout /t 5
echo Checking ports...
netstat -ano | findstr :11434
echo.
echo If you see "0.0.0.0:11434", it's working!
echo Test from CentOS: curl http://192.168.2.1:11434/api/tags
pause
```
FagFlow中配置ollama
默认模型设置
#### 本地模型知识库
完全没有网络也可以实现，这是对数据安全性要求较高的选择。
#### 代码访问
##### 0: 原始HttpRequest访问
```
##### 1：pom.xml
```
基于Spring AI + Vue的流式对话
**聊天**
那你的代码跟过去有什么区别呢？仅仅更改聊天ID就好了。
##### application.yml
```yml
spring:
ai:
openai:
base-url: http://192.168.2.100/api/v1/chats_openai/80e1b374e14211f0a2e20242ac120003
api-key: "ragflow-ViNmE2NThjZTA2YzExZjBiOWQyMDI0Mm"
chat:
options:
model: "Qwen/QwQ-32B"
temperature: 0.7
logging:
level:
org.springframework.ai: INFO
org.springframework.web.client: INFO
```
## 代码在您哪里怎么跑
```
我是用了pip freeze > requirments.txt 你的文件理由有个requirments.txt
你得 pip install -r requirments.txt #这样依赖库就装完了
改utils.py里面的数据库用户名和密码
改exprotdb.py里面的文件路径
```