Easy-RAG 不只是一个基于知识库搜索增强生成的RAG，还支持AI网络搜索增强生成

知识库（目前仅支持txt\csv\pdf\md\doc\docx\mp3\mp4\wav\excel\格式数据）：
    1、知识库的创建（目前仅支持Chroma\Faiss\Elasticsearch）    2、知识库的更新    3、删除知识库中某个文件    4、删除知识库    5、向量化知识库    6、支持音频视频的语音转文本然后向量化         语音转文本 使用的 funasr ，第一次启动时，会从魔塔下载模型，可能会慢一些，之后会自动加载模型
chat
    1、支持纯大模型聊天多轮    2、支持知识库问答 ["复杂召回方式", "简单召回方式","rerank"]    AI网络搜索        支持网络搜素，大家可以优化 prompt 增加不同 程度的 总结    llm基于ollama可以选择不同模型    注意：联网基于 searxng，需要先本地或者服务启动 这个项目，我用docker 启动的    参考 https://github.com/searxng/searxng-docker

    本次rerank 使用了bge-reranker-large 模型，需要下载到本地，    然后再 rag/rerank.py中配置路径        模型地址：https://hf-mirror.com/BAAI/bge-reranker-large

知识库：
    0、支持Milvus,MongoDB等向量数据

chat：
    1、添加 语音回答输出    2、增加 问题路由知识库的 功能

   Ollma安装，在如下网址选择适合你机器的ollama 安装包，傻瓜式安装即可      https://ollama.com/download  Ollama 安装模型，本次直接安装我们需要的两个 cmd中执行      ollama run qwen2:7b    ollama run mofanke/acge_text_embedding:latest     下载bge-reranker-large 模型然后在 rag/rerank.py中配置路径        https://hf-mirror.com/BAAI/bge-reranker-large      选择你想使用的向量数据库 目前仅支持（Chroma和Faiss）      在 Config/config.py中配置你想用的 向量数据库    如果选择 Elasticsearch 请先启动 Elasticsearch，我是使用docker 启动的       docker run -p 9200:9200 -e "discovery.type=single-node" -e "xpack.security.enabled=false" -e "xpack.security.http.ssl.enabled=false" docker.elastic.co/elasticsearch/elasticsearch:8.12.1    注意修改 es_url      构造python环境      conda create -n Easy-RAG python=3.10.9    conda activate Easy-RAG      项目开发使用的 python3.10.9  经测试 pyhon3.8以上皆可使用      git clone https://github.com/yuntianhe2014/Easy-RAG.git  安装依赖      pip3 install -r requirements.txt -i  https://mirrors.aliyun.com/pypi/simple     部署依赖联网项目searxng    参考 https://github.com/searxng/searxng-docker  项目启动      python webui.py      知识图谱时时提取工具    python graph_demo_ui.py