[Question]: Knowledge graph extraction problem
![[Question]: Knowledge graph extraction problem](https://www.chat-gpts.plus/wp-content/uploads/2026/06/7119-a01a8c11-768x403.jpg)
用户在 RAGFlow 服务中使用 Infinity 作为向量库,并在解析文档时启用了知识图谱(Knowledge Graph)功能以抽取节点和关系。该功能触发后,UI 显示错误信息,用户怀疑是否只能使用 Elasticsearch 作为向量库。
![[Question]: Knowledge graph extraction problem](https://www.chat-gpts.plus/wp-content/uploads/2026/06/7119-a01a8c11-768x403.jpg)
用户在 RAGFlow 服务中使用 Infinity 作为向量库,并在解析文档时启用了知识图谱(Knowledge Graph)功能以抽取节点和关系。该功能触发后,UI 显示错误信息,用户怀疑是否只能使用 Elasticsearch 作为向量库。
![[Bug]: `experimental_use_latest_role_message_only` erroneously sending tool and assistant prompts to guardrail](https://www.chat-gpts.plus/wp-content/uploads/2026/06/23476-036ac554-768x403.jpg)
用户在 LiteLLM Proxy 中配置了 Bedrock Guardrail,并启用了 experimental_use_latest_role_message_only: true (该功能预期只发送最新的系统提示和第一条用户提示)。但在实际使用中,当最新角色消息是 tool 或 assist
![Misc. bug: [ROCm] Significantly lower token generation performance vs Vulkan on RX 7900 XTX (gfx1100)](https://www.chat-gpts.plus/wp-content/uploads/2026/06/20934-97b8a216-768x403.jpg)
在 Linux 系统(Ubuntu 24.04.3/24.04.4)上使用 llama.cpp(版本 2999,2026年3月多個近期 commit)运行 GGUF 格式模型(LLaMA 7B Q4_0、Qwen2 7B Q4_K_M 等)进行 prompt 处理和 token 生成基准测试时,发现

用户在 Open WebUI v0.9.5(Docker 部署,Windows + Chrome 浏览器)中,使用“日历”功能时遇到两个问题:

用户使用 Open WebUI(Docker 安装,v0.9.6,Ollama 0.30.7)新建聊天会话,上传文档或附加知识库,同时启用 Web Search 配置;当输入需要实时外部信息(如今日新闻)的提示词时,系统只检索附件内容,不触发任何 Web Search。

用户在 Windows 11 上运行 Ollama 0.30.0/0.30.4,使用 GeForce RTX 4060 Laptop GPU 作为主要计算卡。加载 qwen3-embedding:8B 模型时,GPU 内存占用率为 0%,模型实际运行在 CPU 或 Intel Arc 集成显卡上,速

在 Ubuntu 24.04 aarch64 GH200 服务器上运行 Ollama v0.30.9,客户端通过端口转发(例如使用 ollama launch claude )加载任意模型(如 gpt-oss:120b )时,Ollama GPU 进程反复出现后立即消失,客户端持续重试并最终返回 5

在自托管的 Langfuse 实例中(版本 v3.197.1),后台存储后端配置为 Azure Blob Storage,用户通过前端 UI 向数据集(dataset items)上传媒体文件时触发报错。

在 MCP Python SDK 中使用 @mcp.resource 装饰器定义资源模板时,用户希望路径参数(如 {path} )能够匹配包含斜杠( / )的完整路径,例如 folder://xxx/abc/zzz/ ,以便实现嵌套目录的资源访问。
![[Feature Request]: Restart Failed Subtasks Instead of Restarting Entire Process](https://www.chat-gpts.plus/wp-content/uploads/2026/06/8682-f9e725d4-768x403.jpg)
用户在使用 RAGFlow 处理数万份文档时,启用了标签、Raptor 摘要、知识图谱提取等所有功能。整个解析过程耗时数周,且已通过 DeepSeek API 花费数千元人民币。然而,由于网络故障,大量文档在最后的“知识图谱提取”步骤失败。用户发现没有机制可以仅重试失败文档,当前实现似乎是重试任务最