RAGFlow 登录界面点击登录无反应，控制台报错 502 Bad Gateway 解决方法

Ne0inhk

— 2 min read
RAGFlow 登录界面点击登录无反应，控制台报错 502 Bad Gateway 解决方法

遇到的问题

在使用RAGFlow的时候，登录不进去，但是之前能登录。
还出现了输入地址直接进入工作界面，但是进行不了任何操作的bug；以及无法上传文档的问题（其实都是因为没登录）。

登陆界面报错如图显示。

解决方法

我按照官网readme里面写的快速启动的方法启动，就没有502的问题了。

1.先删除docker中ragflow的进程。

在这里插入图片描述

2.输入启动代码

在cmd（要在RAGFlow的docker文件夹目录下）输入 docker compose -f docker-compose.yml up -d

3.查看服务器状态

接下来服务器启动成功后再次确认服务器状态：docker logs -f ragflow-server

官网说了：
出现以下界面提示说明服务器启动成功：

 ____ ___ ______ ______ __ / __ \ / | / ____// ____// /____ _ __ / /_/ // /| | / / __ / /_ / // __ \| | /| / / / _, _// ___ |/ /_/ // __/ / // /_/ /| |/ |/ / /_/ |_|/_/ |_|\____//_/ /_/ \____/ |__/|__/ * Running on all addresses (0.0.0.0)
如果您在没有看到上面的提示信息出来之前，就尝试登录 RAGFlow，你的浏览器有可能会提示 network anormal 或 网络异常。

Read more

一文掌握 Git 分支：本地管理 + 远程协作 + 最佳实践

前言：为什么分支如此重要？ 在现代软件开发中，分支（Branch） 是 Git 最强大的特性之一。想象一下： * 🚀 你可以在不影响主代码的情况下开发新功能 * 🐛 你可以独立修复紧急 Bug * 🧪 你可以安全地尝试实验性想法 * 👥 团队成员可以并行工作而不互相干扰 这一切都归功于 git branch 命令。本文将带你从零开始，全面掌握 Git 分支管理的核心技能。 一、分支的本质：理解 Git 分支模型 在深入命令之前，先理解分支的本质： ┌─────────────────────────────────────────────────┐ │ Git 分支 = 指向提交的轻量级指针 │ │ │ │ main ──→ ● ──→ ● ──→ ● (最新提交) │ │ ↘ │ │ feature ──→ ● ──→ ● (独立开发线) │ └─────────────────────────────────────────────────┘ 关键概念： * 分支只是一个指向特定提交的指针 * 创建分支几乎零成本（只创建指针，不复制文件）

By Ne0inhk
PandaWiki：更轻量的开源知识库，问答效果到底如何？（本地部署教程+效果实测）

PandaWiki：更轻量的开源知识库，问答效果到底如何？（本地部署教程+效果实测）

开源 RAG 项目我之前主要围绕 RAGFlow 写了不少落地案例。RAGFlow 定位是大而全的企业级 RAG 引擎，所以社区里也一直有人吐槽：资源吃得多、处理慢。但这事儿某种程度上就是端到端全包（解析、切分、向量化、检索、权限、工作流、评测）的代价，工程体量上去了，默认就不可能太轻。 如果你想找一款更轻量的开源方案，主要用来处理产品文档、技术文档、FAQ、博客等内容，那可以看看今天要介绍的 PandaWiki。一句话总结：PandaWiki 更像开源版的知识库产品，而不是一个给工程师从零拼装的 RAG 引擎。 这个项目实际我也是近期才注意到，GitHub 目前 8.6K Star，看趋势图下半年热度是一路走高。我花了几天集中测了下，确实有一些可圈可点的地方，这篇就抓大放小，来和各位说道说道。 这篇试图说清楚： PandaWiki 的手把手本地部署过程、

By Ne0inhk

3大开源修复模型横评：云端镜像快速部署，1天完成全面测试

3大开源修复模型横评：云端镜像快速部署，1天完成全面测试 你是不是也遇到过这样的情况：团队要选一个AI图像修复工具，大家各自在本地跑GFPGAN、CodeFormer、GPEN，结果有人用笔记本CPU跑，有人用高端显卡，测试速度、画质效果完全没法比？最后开会讨论时，谁的电脑配置高，谁的结果就“看起来更好”，根本没法做出公正决策。 这正是很多技术主管在搭建AI工具链时最头疼的问题——缺乏统一、可复现的测试环境。不同设备、不同依赖版本、不同参数设置，导致评估结果偏差巨大，选型变成“看运气”。 别急，今天我就来帮你解决这个痛点。我们不靠本地部署“拼电脑”，而是直接上云端标准化镜像环境，一键部署三大主流开源人脸修复模型：GFPGAN、CodeFormer 和 GPEN，在相同GPU资源下完成公平对比测试，1天内搞定从部署到出报告的全流程。 ZEEKLOG星图平台提供了预置好这三大模型的AI镜像，无需手动安装复杂依赖，不用折腾CUDA、PyTorch版本兼容问题，点击即用，还能对外暴露API服务，方便团队成员远程调用测试。整个过程就像租了一台“AI修复工作站”，谁都能用，结果可比对。

By Ne0inhk