我用 Ragflow 让 AI 帮我写毕业论文：既要 AI 提效，又要保证资料私密性

写毕业论文的时候，我特别想用 AI 来提效，但又担心资料泄露。直接用 ChatGPT？实验数据和论文都得上传到云端，万一泄露了咋办？自己搭 RAG？我又不是搞这个的，工程量太大了。后来我找到了 Ragflow 这个开源方案，可以部署在自己电脑上，把资料做成私有知识库。我的做法是：只写个大纲，让 AI 自动帮我扩写成完整段落，效率提升了不少，资料也不出本地。当然，这只是我的一种实践方案，你也可以根据自己的情况调整。

1. 我的需求：既要 AI 提效，又要保证资料私密性

先说说我的情况

我在做一个基于 LSTM 的预测模型，还用 Vue + SpringBoot 做了个系统。为了写论文，我收集了一大堆资料：

• 30-40 篇参考论文（PDF 格式，各种会议期刊的）
• 实验数据和结果（LSTM 模型的训练日志、预测结果啥的）
• 技术文档（Vue 官网、SpringBoot 文档、各种技术博客）
• 系统代码和注释（前后端代码、数据库设计）

我有两个核心需求

需求 1：用 AI 提效，别让我手动翻资料了

说实话，写论文最烦的就是：

• 找资料太慢：每次写一段，都得在 30 多篇论文里翻来翻去，找相关的理论支撑，太费时间了
• 引用容易错：手动复制粘贴，经常忘记标注来源，或者页码记错，后面还得重新找
• 重复劳动：每一章都要重复"找资料 → 整理 → 写作 → 引用"这套流程，烦死了

我理想中的效果：

• 我只写个大纲和核心要点就行
• AI 自动从我的资料里找相关内容，帮我扩写成完整段落
• 自动标注引用来源，省得我手动整理

需求 2：保证资料私密性，不能泄露

这个很重要！我的资料包含：

• 未发表的实验数据（这要是泄露了，论文就废了）
• 导师的内部报告（有保密要求的）
• 系统代码（涉及商业合作，不能外传）

我不能接受的方案：

• ❌ 直接用 ChatGPT/Claude：资料要上传到云端，万一泄露了咋办？
• ❌ 用在线 RAG 服务（Notion AI、Mem.ai 这些）：同样要上传资料到第三方服务器，不放心

我需要的方案：

• ✅ 资料不出本地（或者部署在自己的服务器上，反正我能控制）
• ✅ 完全可控（不依赖第三方服务，不用担心数据泄露）

我试过的方法（都不太行）

1. 直接用 ChatGPT/Claude 写

   • ❌ 问题 1：AI 不了解我的实验数据和系统细节，写出来的内容太泛泛，跟我的论文不搭
   • ❌ 问题 2：资料要上传到云端，不安全

2. 每次都把资料复制粘贴给 AI

   • ❌ 问题 1：30 多篇论文太长了，直接超过 token 限制，根本粘不进去
   • ❌ 问题 2：每次都要重新粘贴，太麻烦了
   • ❌ 问题 3：资料还是要上传到云端，还是不安全

3. 用在线 RAG 服务（Notion AI、Mem.ai 这些）

   • ❌ 问题：资料要上传到第三方服务器，同样有泄露风险

结论：我需要一个本地化/私有化的 RAG 方案，既能用上 AI，又能保证资料不泄露。

---

2. 我的选择过程：从需求到方案

我的筛选标准

既然要找方案，我得先想清楚我最看重什么：

标准	说明	权重
资料私密性	资料不出本地，或者部署在自己的服务器上	⭐⭐⭐⭐⭐
AI 能力	能自动检索资料并生成高质量内容	⭐⭐⭐⭐
工程成本	配置和维护的工作量（我可不想折腾太久）	⭐⭐⭐
可扩展性	后续能否优化和定制	⭐⭐

我对比了三个方案

方案 1：自己从零搭建 RAG 系统

优点：

• ✅ 完全可控，资料绝对安全
• ✅ 可以深度定制，想怎么改就怎么改

缺点：

• ❌ 工程量太大了（需要搭建向量数据库、检索服务、生成服务，想想就头大）
• ❌ 学习成本高（需要了解 Embedding、向量检索、Prompt Engineering，我又不是搞这个的）
• ❌ 维护成本高（各种 bug 都得自己处理）

我的评估：工程成本太高了，我只是想写论文，不是做 RAG 研究，pass！

方案 2：用开源 RAG 框架（如 LangChain + Chroma）

优点：

• ✅ 有一定的封装，比从零搭建简单一些
• ✅ 可以本地部署

缺点：

• ❌ 还是需要写不少代码（我不想写代码，我想写论文）
• ❌ 缺少开箱即用的 UI 和工作流（还得自己搭界面？算了吧）

我的评估：工程成本还是偏高，pass！

方案 3：用开源 RAG 产品（如 Ragflow、Dify、FastGPT）

优点：

• ✅ 开箱即用，有 UI 界面（这个好，不用写代码）
• ✅ 可以本地部署（Docker 一键启动，简单）
• ✅ 支持知识库、智能体、工作流等功能（功能齐全）

缺点：

• ⚠️ 需要学习产品的配置和使用（这个可以接受，总比写代码强）

我的评估：这个方案平衡了工程成本和功能完整性，就它了！

为什么最终选择 Ragflow？

确定了用开源 RAG 产品，我又对比了三个：

产品	优点	缺点	适合我吗？
Ragflow	知识库功能强大，支持多种文档格式，检索效果好	文档相对较少（不过问题不大）	✅
Dify	UI 漂亮，社区活跃	更偏向对话式应用，不太适合论文写作	⚠️
FastGPT	轻量级，部署简单	功能相对简单，缺少高级检索功能	⚠️

最终选择 Ragflow 的原因：

• ✅ 知识库功能强大（支持 PDF、Word、Markdown 等多种格式，我的资料都能导进去）
• ✅ 检索效果好（支持语义检索、重排序，能找到最相关的内容）
• ✅ 支持工作流（可以实现"写大纲 → AI 扩写"的流程，正好符合我的需求）
• ✅ 可以本地部署（Docker 一键启动，资料不出本地，安全）
• ✅ 开源免费（可以自己定制和优化，而且不用花钱）

我的核心思路

选定了 Ragflow，我的整体思路就很清晰了：

关键点：

• ✅ 资料不出本地（Ragflow 部署在我的电脑/服务器上，数据完全可控）
• ✅ 我只负责写框架和核心要点（10% 的工作，轻松）
• ✅ AI 负责找资料和扩写（90% 的工作，省时省力）
• ✅ 最后我只需要润色和调整逻辑（10% 的修改，质量有保证）

---

3. 具体怎么做的：三步搞定

第一步：把资料导入 Ragflow 知识库

我把所有资料都上传到 Ragflow：

• 30-40 篇参考论文（PDF 格式）
• 实验数据和日志（CSV/TXT 格式）
• 技术文档（从官网复制的 Markdown 文件）
• 系统代码注释（关键模块的说明文档）

Ragflow 会自动做这些事：

• 把 PDF 转成文本
• 按段落切分（chunk）
• 建立索引，方便后续检索
  

我的配置参数：

# 知识库配置
chunk_size: 512          # 分块大小（字符数）
chunk_overlap: 100       # 重叠大小（避免关键信息被切断）
embedding_model: "bge-large-zh-v1.5"  # 中文 Embedding 模型
parser_config:
  pdf:
    layout_recognize: true   # 识别 PDF 布局
    remove_header_footer: true  # 去除页眉页脚
  docx:
    extract_tables: true     # 提取表格
    extract_images: false    # 不提取图片（节省空间）

为什么这样配置？

• chunk_size=512：太小会丢失上下文，太大会影响检索精度
• chunk_overlap=100：保证关键信息不会被切断（比如一句话跨两个 chunk）
• bge-large-zh-v1.5：中文效果比默认模型好，召回率更高

如果有更好得模型可以切换一下，这个是一个示例，每个人导入得模型不一样

第二步：写论文大纲（核心要点）

我不直接写完整段落，而是先写每一章的核心要点。

举个例子（第 3 章 系统设计与实现）：

第3章 系统设计与实现
- 核心内容：介绍系统架构，前端用Vue，后端用SpringBoot
- 核心内容：说明LSTM模型如何集成到系统中
- 核心内容：展示系统主要功能模块

为什么这样写？

• 我只需要明确"这一段要讲什么"
• AI 会根据这些要点，自动从知识库里找相关资料
• 然后扩写成完整段落

第三步：让 AI 自动扩写

我把大纲输入到 Ragflow 的工作流，AI 会：

1. 检索：根据"系统架构、Vue、SpringBoot"等关键词，从知识库里找相关文档
2. 生成：把检索到的内容整合，扩写成完整段落
3. 引用：自动标注引用来源（哪篇论文、哪个文档）

输出示例（AI 生成的段落）：

本系统采用前后端分离架构，前端使用 Vue.js 框架实现用户界面，
后端基于 SpringBoot 构建 RESTful API。Vue.js 以其轻量级和组件化
特性，能够快速构建响应式界面[cite:Vue官方文档]。SpringBoot 则
提供了自动配置和依赖管理，简化了后端开发流程[cite:SpringBoot
实战指南]。

LSTM 模型通过 Python Flask 封装为微服务，SpringBoot 后端通过
HTTP 接口调用预测功能。这种设计实现了模型与业务逻辑的解耦，
便于后续模型迭代和优化[cite:论文15-深度学习模型部署实践]。

系统主要功能模块包括：数据管理模块、模型训练模块、预测展示
模块和用户管理模块。各模块通过统一的 API 网关进行通信，保证
了系统的可扩展性[cite:微服务架构设计模式]。

我只需要做 10% 的修改：

• 润色语言（比如"能够快速构建"改成"可以高效构建"）
• 调整逻辑（比如调换段落顺序）
• 补充细节（比如加上具体的技术参数）

---

4. 配置细节：智能体和工作流

智能体配置

我配置了一个"学术写作助手"智能体：

完整提示词：

# 角色定义
你是一个专业的学术写作助手，帮助用户扩写毕业论文段落。

# 核心任务
根据用户提供的章节大纲和核心要点，从知识库检索相关资料，扩写成完整、连贯的学术段落。

# 输入格式
用户会提供：
- 章节标题（如"第3章 系统设计与实现"）
- 核心要点列表（如"介绍系统架构，前端用Vue，后端用SpringBoot"）

# 输出要求
1. **内容要求**：
   - 每段 200-300 字，逻辑清晰、连贯
   - 必须基于知识库检索到的内容，不得编造
   - 所有论述必须有依据，不能凭空推断

2. **引用要求**：
   - 每段至少 2 个引用标记
   - 引用格式：[cite:文档名,p页码]（如 [cite:Vue官方文档,p45-48]）
   - 引用必须能对应到知识库里的真实文档

3. **结构要求**：
   - 先总述核心观点（1-2 句）
   - 再展开具体说明（引用支撑）
   - 最后总结或过渡到下一段

4. **语气要求**：
   - 学术化、客观、严谨
   - 避免口语化表达（如"很好"、"非常"）
   - 使用专业术语

# 示例
输入：
- 核心内容：介绍系统架构，前端用Vue，后端用SpringBoot

输出：
本系统采用前后端分离架构，前端使用 Vue.js 框架实现用户界面，后端基于 SpringBoot 构建 RESTful API。Vue.js 以其轻量级和组件化特性，能够快速构建响应式界面[cite:Vue官方文档,p23]。SpringBoot 则提供了自动配置和依赖管理，简化了后端开发流程[cite:SpringBoot实战指南,p45-48]。

# 注意事项
- 如果知识库里没有相关资料，明确告知用户，不要编造
- 如果检索到的资料不足以支撑论述，建议用户补充资料或调整大纲

检索参数配置：

# 检索配置
retrieval:
  top_k: 10              # 每次检索返回 10 个最相关的段落
  similarity_threshold: 0.6  # 相似度阈值（0-1，越高越严格）
  rerank: true           # 启用重排序（提高精度）
  rerank_top_k: 5        # 重排后保留 5 个最相关的

# 生成配置
generation:
  temperature: 0.3       # 温度（越低越保守，越高越创造）
  max_tokens: 800        # 最大生成长度
  presence_penalty: 0.1  # 重复惩罚（避免重复表述）

为什么这样配置？

• top_k=10, rerank_top_k=5：先广泛检索，再精准筛选，平衡召回率和准确率
• similarity_threshold=0.6：不要太高（会漏掉相关内容），也不要太低（会引入噪音）
• temperature=0.3：学术写作需要保守，不需要太多创造性
• presence_penalty=0.1：轻微惩罚重复，避免"车轱辘话"

工作流设计

我设计了一个"论文段落生成"工作流：

flowchart TD
A[输入：章节大纲] --> B[解析核心要点]
B --> C[知识库检索]
C --> D{检索结果充足?}
D -- 是 --> E[内容生成]
D -- 否 --> F[扩大检索范围]
F --> C
E --> G[引用标注]
G --> H[质量检查]
H --> I{通过?}
I -- 是 --> J[输出：完整段落]
I -- 否 --> K[标记问题]
K --> E

节点详细说明：

1. 输入节点：

   • 输入格式：章节标题 + 核心要点列表
   • 示例：

     {
       "chapter": "第3章 系统设计与实现",
       "points": [
         "介绍系统架构，前端用Vue，后端用SpringBoot",
         "说明LSTM模型如何集成到系统中",
         "展示系统主要功能模块"
       ]
     }
     

2. 解析节点：

   • 提取关键词：使用 NLP 提取核心概念
   • 示例输出：["系统架构", "前后端分离", "Vue.js", "SpringBoot", "RESTful API"]

3. 检索节点：

   • 检索策略：

     # 伪代码
     for keyword in keywords:
         results = knowledge_base.search(
             query=keyword,
             top_k=10,
             threshold=0.6
         )
         all_results.extend(results)
     
     # 去重和重排
     unique_results = deduplicate(all_results)
     reranked_results = rerank(unique_results, top_k=5)
     

4. 检索结果检查：

   • 判断标准：检索到的段落数 ≥ 3
   • 如果不足：扩大 top_k 或降低 threshold

5. 生成节点：

   • 调用智能体，传入检索结果和核心要点
   • 生成参数：temperature=0.3, max_tokens=800

6. 引用标注节点：

   • 自动提取生成内容中的引用标记
   • 校验引用是否能对应到知识库文档
   • 如果缺失引用，回退到生成节点重新生成

7. 质量检查节点：

   • 检查项：
     • 段落长度：200-300 字 ✓
     • 引用数量：≥ 2 个 ✓
     • 逻辑连贯性：使用简单规则检查（如是否有"因此"、"所以"等连接词）
   • 如果不通过，标记问题并重新生成

8. 输出节点：

   • 输出格式：Markdown
   • 包含：段落内容 + 引用列表

工作流配置文件（YAML 格式）：

workflow:
  name: "论文段落生成"
  version: "1.0"

  nodes:
    - id: "input"
      type: "input"
      output: ["chapter", "points"]

    - id: "parse"
      type: "llm"
      prompt: "提取以下文本的关键词：{points}"
      output: ["keywords"]

    - id: "retrieve"
      type: "knowledge_base"
      config:
        top_k: 10
        threshold: 0.6
        rerank: true
      input: ["keywords"]
      output: ["documents"]

    - id: "check_retrieval"
      type: "condition"
      condition: "len(documents) >= 3"
      true_branch: "generate"
      false_branch: "expand_retrieval"

    - id: "expand_retrieval"
      type: "knowledge_base"
      config:
        top_k: 15
        threshold: 0.5
      input: ["keywords"]
      output: ["documents"]
      next: "generate"

    - id: "generate"
      type: "agent"
      agent_id: "academic_writer"
      input: ["points", "documents"]
      output: ["content"]

    - id: "cite"
      type: "citation"
      input: ["content", "documents"]
      output: ["content_with_cite"]

    - id: "quality_check"
      type: "validator"
      rules:
        - "len(content) >= 200 and len(content) <= 300"
        - "count_citations(content) >= 2"
      true_branch: "output"
      false_branch: "mark_issue"

    - id: "mark_issue"
      type: "logger"
      next: "generate"

    - id: "output"
      type: "output"
      format: "markdown"

---

5. 实际效果：一个完整案例

我的输入（第 3 章大纲）

第3章 系统设计与实现
- 核心内容：介绍系统架构，前端用Vue，后端用SpringBoot
- 核心内容：说明LSTM模型如何集成到系统中
- 核心内容：展示系统主要功能模块

AI 的输出（完整段落）

## 3.1 系统架构设计

本系统采用前后端分离架构，前端使用 Vue.js 框架实现用户界面，
后端基于 SpringBoot 构建 RESTful API。Vue.js 以其轻量级和组件化
特性，能够快速构建响应式界面[cite:Vue官方文档]。SpringBoot 则
提供了自动配置和依赖管理，简化了后端开发流程[cite:SpringBoot
实战指南,p45-48]。

系统整体架构如图3-1所示，主要分为三层：表示层、业务逻辑层和
数据访问层。表示层负责用户交互，业务逻辑层处理核心功能，数据
访问层管理数据持久化。这种分层设计提高了系统的可维护性和可
扩展性[cite:软件工程实践,p123]。

## 3.2 LSTM模型集成

LSTM 模型通过 Python Flask 封装为微服务，SpringBoot 后端通过
HTTP 接口调用预测功能。这种设计实现了模型与业务逻辑的解耦，
便于后续模型迭代和优化[cite:深度学习模型部署实践,p78-82]。

具体集成流程如下：
1. 前端发送预测请求到 SpringBoot 后端
2. 后端调用 Flask 微服务的预测接口
3. Flask 加载训练好的 LSTM 模型进行预测
4. 预测结果返回给前端展示

这种微服务架构使得模型训练和业务系统可以独立部署和扩展
[cite:微服务架构设计模式,p156-160]。

## 3.3 主要功能模块

系统主要功能模块包括：

1. **数据管理模块**：负责数据的导入、清洗和存储
2. **模型训练模块**：提供 LSTM 模型的训练和参数调优功能
3. **预测展示模块**：展示预测结果和可视化图表
4. **用户管理模块**：实现用户注册、登录和权限控制

各模块通过统一的 API 网关进行通信，保证了系统的可扩展性
[cite:RESTful API设计最佳实践,p89]。模块间采用消息队列进行
异步通信，提高了系统的响应速度和并发处理能力[cite:分布式
系统设计,p234-238]。

我的修改（10% 润色）

我只做了这些小调整：

• 把"能够快速构建"改成"可以高效构建"
• 调整了"具体集成流程"的顺序
• 补充了一句"模型训练采用 Adam 优化器"

最终效果：

• 从 3 个核心要点，扩写成了 600+ 字的完整段落
• 自动标注了 8 个引用来源
• 我只花了 5 分钟润色，就可以直接用了

---

6. 我踩过的坑和解决方法

坑 1：AI 生成的内容太泛泛，没有用上我的资料

症状：生成的段落像是从网上抄的，没有我的实验数据和系统细节

原因分析：

• 知识库检索参数设置不对，topK 太小（只检索 3 个段落）
• 检索到的内容相关性不高（threshold 设置太低）

解决方案：

# 调整前
retrieval:
  top_k: 3
  similarity_threshold: 0.4

# 调整后
retrieval:
  top_k: 10              # 增加检索覆盖面
  similarity_threshold: 0.6  # 提高相关性要求
  rerank: true           # 启用重排序

效果：检索到的内容更相关，生成的段落更贴合我的资料

---

坑 2：引用来源标注错误或缺失

症状：AI 生成的段落里有 [cite:XXX]，但对应不到知识库里的文档

原因分析：

• AI 有时候会"编造"引用（幻觉问题）
• 提示词里没有强调引用的重要性

解决方案：

1. 提示词加强约束：

   # 在提示词里加上
   - 不得编造引用，所有 [cite:XXX] 必须能对应到知识库里的真实文档
   - 如果知识库里没有相关资料，明确告知用户，不要编造
   - 每段至少 2 个引用，引用格式：[cite:文档名,p页码]
   

2. 增加引用校验节点：

   # 伪代码
   def validate_citations(content, knowledge_base):
       citations = extract_citations(content)  # 提取所有 [cite:XXX]
       for cite in citations:
           if not knowledge_base.exists(cite.doc_name):
               return False, f"引用 {cite} 不存在"
       return True, "所有引用有效"
   

3. 生成后手动抽查：

   • 随机抽查 10% 的引用，确认能对应到知识库

效果：引用准确率从 70% 提升到 95%

---

坑 3：生成的段落逻辑不连贯

症状：段落里的句子各说各的，缺少逻辑连接

原因分析：

• 我的大纲写得太简单，AI 不知道怎么展开
• 检索到的内容碎片化，AI 难以整合

解决方案：

1. 大纲要写得详细：

   # 不好的大纲
   - 介绍系统架构
   
   # 好的大纲
   - 介绍系统架构，前端用Vue，后端用SpringBoot，采用前后端分离设计
   

2. 提示词里强调结构：

   # 在提示词里加上
   结构要求：
   - 先总述核心观点（1-2 句）
   - 再展开具体说明（引用支撑）
   - 最后总结或过渡到下一段
   

3. 增加逻辑连贯性检查：

   # 简单规则检查
   def check_coherence(content):
       connectors = ["因此", "所以", "然而", "此外", "同时"]
       return any(c in content for c in connectors)
   

效果：段落逻辑更清晰，可读性提升

---

坑 4：检索到的内容不相关

症状：检索到的文档和我的大纲主题不匹配

原因分析：

• 关键词提取不准确（比如"系统"太泛泛）
• 知识库里的文档质量不高（有很多无关内容）

解决方案：

1. 优化大纲的关键词：

   # 不好的关键词
   "系统"、"设计"
   
   # 好的关键词
   "前后端分离架构"、"Vue.js"、"SpringBoot"、"RESTful API"
   

2. 清理知识库：

   • 删除无关文档（比如下载的示例代码）
   • 删除低质量文档（比如只有目录的 PDF）

3. 手动指定检索范围：

   # 只在特定文档里检索
   retrieval:
     filter:
       doc_tags: ["系统设计", "技术文档"]
   

效果：检索准确率从 60% 提升到 85%

---

坑 5：生成速度太慢

症状：生成一章需要 5-10 分钟，太慢了

原因分析：

• 每次都要重新检索和生成（没有缓存）
• 串行生成（一章一章来）

解决方案：

1. 启用缓存：

   cache:
     enabled: true
     ttl: 3600  # 缓存 1 小时
     key: "hash(chapter + points)"  # 相同的大纲直接返回缓存
   

2. 并发生成：

   # 伪代码
   import asyncio
   
   async def generate_chapter(chapter, points):
       # 生成逻辑
       pass
   
   # 并发生成所有章节
   chapters = ["第1章", "第2章", "第3章"]
   results = await asyncio.gather(*[
       generate_chapter(ch, points[ch]) for ch in chapters
   ])
   

3. 优化检索：

   • 减少 top_k（从 15 降到 10）
   • 关闭 rerank（如果对精度要求不高）

效果：生成速度从 5 分钟降到 30 秒

---

7. 效果评估：值得吗?

时间对比

任务	传统方式	用 Ragflow	节省时间
写一章（1000字）	3-4 小时	30 分钟	85%
整理引用	1 小时	5 分钟	92%
全文（5章）	15-20 小时	2-3 小时	85%

质量对比

指标	传统方式	用 Ragflow
引用准确率	80%（容易遗漏）	95%（自动标注）
内容覆盖率	70%（容易遗漏资料）	90%（自动检索）
需要修改的比例	30%	10%

我的感受

优点：

• 省时间：从 3-4 小时缩短到 30 分钟
• 省心：不用翻来翻去找资料，AI 自动检索
• 引用准确：自动标注来源，不用担心遗漏

缺点：

• 需要学习成本：配置 Ragflow 和工作流需要一点时间
• 需要人工润色：AI 生成的内容还是需要 10% 的修改
• 依赖资料质量：如果知识库里的资料质量不高，生成的内容也会打折扣

总体评价：非常值得！特别是对于资料多、时间紧的毕业论文写作。

---

8. 适合谁用？

适合的场景

• ✅ 资料多（10+ 篇论文、多份报告）
• ✅ 时间紧（需要快速完成论文）
• ✅ 需要大量引用（学术论文、研究报告）
• ✅ 有一定技术基础（会配置工具）

不适合的场景

• ❌ 资料少（只有 1-2 篇论文）
• ❌ 时间充裕（可以慢慢手写）
• ❌ 不需要引用（创意写作、小说）
• ❌ 完全不懂技术（配置门槛较高）

---

9. 后续优化方向

已经在做的

• 优化提示词，减少人工修改比例
• 增加更多引用格式（APA、MLA、GB/T 7714）
• 支持图表自动生成（从实验数据生成图表）

想尝试的

• 接入更好的 Embedding 模型（提高检索准确率）
• 增加"段落质量评分"功能（自动检测生成质量）
• 支持多人协作（团队共享知识库）

---

10. 总结

写毕业论文最烦的不是没资料，而是资料太多不知道怎么整理。用 Ragflow 搭建知识库 + 工作流，我只需要写大纲，AI 自动帮我扩写成完整段落，效率提升了 85%。

核心思路：

1. 把所有资料导入 Ragflow 知识库
2. 我写论文大纲（核心要点）
3. AI 自动检索资料并扩写成完整段落
4. 我只需要 10% 的润色和调整

适合人群：资料多、时间紧、需要大量引用的毕业论文写作。

如果你也在写毕业论文，不妨试试这个方法！

---

附录：配置文件和示例

Ragflow 配置文件

# 知识库配置示例（已在正文中展示）
# 详见第 3 节"具体怎么做"中的配置参数

知识库导入示例

# 导入步骤
1. 打开 Ragflow 知识库管理页面
2. 点击"新建知识库"，命名为"毕业论文资料库"
3. 上传文档（支持拖拽）：
   - 30-40 篇参考论文（PDF）
   - 实验数据和日志（CSV/TXT）
   - 技术文档（Markdown）
4. 选择分块方法和嵌入模型
5. 等待索引完成（大约 10-20 分钟）

工作流配置

# 工作流配置示例（已在正文中展示）
# 详见第 4 节"配置智能体和工作流"中的工作流配置文件

完整输入输出示例

输入（大纲）：

章节：系统架构设计
核心要点：
- 前端用 Vue.js，实现响应式界面
- 后端用 SpringBoot，提供 RESTful API
- 采用前后端分离设计，提高开发效率

输出（生成段落）：

本系统采用前后端分离的架构设计，前端使用 Vue.js 框架实现响应式用户界面，
后端基于 SpringBoot 框架提供 RESTful API 服务[cite:Vue官方文档,p12]。
这种架构设计具有以下优势：首先，前后端分离使得开发团队可以并行工作，
提高开发效率[cite:SpringBoot实战,p45]；其次，Vue.js 的组件化开发模式
使得界面模块可以复用，降低维护成本[cite:Vue.js设计与实现,p78]...
（共 650 字，包含 8 个引用）

---