Skip to content

RAGFlow is an agent-native database: a Retrieval-Augmented Generation (RAG) engine that grew into context infrastructure.

TS: fix label text (#18199)

Jin Haid535b6c9e96c
diff --git a/web/src/locales/ar.ts b/web/src/locales/ar.ts
index 493e85a498..0ce041747a 100644
--- a/web/src/locales/ar.ts
+++ b/web/src/locales/ar.ts
@@ -1285,7 +1285,7 @@ export default {
chat: 'محادثة',
embedding: 'التضمين',
rerank: 'إعادة الترتيب',
- sequence2text: 'تسلسل2نص',
+ sequence2text: 'ASR',
tts: 'تحويل النص إلى كلام',
image2text: 'التعرف الضوئي على الحروف',
speech2text: 'ASR',
diff --git a/web/src/locales/bg.ts b/web/src/locales/bg.ts
index 732d951c8e..18fba6c634 100644
--- a/web/src/locales/bg.ts
+++ b/web/src/locales/bg.ts
@@ -1345,7 +1345,7 @@ The above is the content you need to summarize.`,
chat: 'Чат',
embedding: 'Embedding',
rerank: 'Rerank',
- sequence2text: 'sequence2text',
+ sequence2text: 'ASR',
tts: 'TTS',
image2text: 'OCR',
speech2text: 'ASR',
diff --git a/web/src/locales/de.ts b/web/src/locales/de.ts
index 0d83900f5e..f0ff30b779 100644
--- a/web/src/locales/de.ts
+++ b/web/src/locales/de.ts
@@ -1389,7 +1389,7 @@ Beispiel: Virtual Hosted Style`,
chat: 'Chat',
embedding: 'Embedding',
rerank: 'Rerank',
- sequence2text: 'sequence2text',
+ sequence2text: 'ASR',
tts: 'TTS',
image2text: 'Img2txt',
speech2text: 'ASR',
diff --git a/web/src/locales/en.ts b/web/src/locales/en.ts
index 5dc1ccfb77..a2a010e24f 100644
--- a/web/src/locales/en.ts
+++ b/web/src/locales/en.ts
@@ -1244,7 +1244,7 @@ This auto-tagging feature enhances retrieval by adding another layer of domain-s
locale: 'Language',
selectLanguage: 'Select a language',
reasoning: 'Reasoning',
- reasoningTip: `Whether to enable a reasoning workflow during question answering, as seen in models like Deepseek-R1 or OpenAI o1. When enabled, this allows the model to access external knowledge and tackle complex questions in a step-by-step manner, leveraging techniques like chain-of-thought reasoning. This approach enhances the model's ability to provide accurate responses by breaking down problems into manageable steps, improving performance on tasks that require logical reasoning and multi-step thinking.`,
+ reasoningTip: `Whether to enable a reasoning workflow during question answering, as seen in models like Deepseek-R1. When enabled, this allows the model to access external knowledge and tackle complex questions in a step-by-step manner, leveraging techniques like chain-of-thought reasoning. This approach enhances the model's ability to provide accurate responses by breaking down problems into manageable steps, improving performance on tasks that require logical reasoning and multi-step thinking.`,
tavilyApiKeyTip:
'If an API Key is correctly set here, Tavily-based web searches will be used to supplement dataset retrieval.',
tavilyApiKeyMessage: 'Please enter your Tavily API Key',
@@ -2354,7 +2354,7 @@ Example: Virtual Hosted Style`,
chat: 'Chat',
embedding: 'Embedding',
rerank: 'Rerank',
- sequence2text: 'sequence2text',
+ sequence2text: 'ASR',
tts: 'TTS',
image2text: 'VLM',
ocr: 'OCR',
diff --git a/web/src/locales/fr.ts b/web/src/locales/fr.ts
index b30cb56420..209a184f67 100644
--- a/web/src/locales/fr.ts
+++ b/web/src/locales/fr.ts
@@ -1798,7 +1798,7 @@ Exemple : Virtual Hosted Style`,
chat: 'Chat',
embedding: 'Embedding',
rerank: 'Rerank',
- sequence2text: 'sequence2text',
+ sequence2text: 'ASR',
tts: 'TTS',
image2text: 'OCR',
speech2text: 'ASR',
diff --git a/web/src/locales/it.ts b/web/src/locales/it.ts
index 39ded6e072..5794d87e75 100644
--- a/web/src/locales/it.ts
+++ b/web/src/locales/it.ts
@@ -1761,7 +1761,7 @@ Esempio: Virtual Hosted Style`,
chat: 'Chat',
embedding: 'Embedding',
rerank: 'Rerank',
- sequence2text: 'sequence2text',
+ sequence2text: 'ASR',
tts: 'TTS',
image2text: 'OCR',
speech2text: 'ASR',
diff --git a/web/src/locales/ja.ts b/web/src/locales/ja.ts
index 4e26bfc71f..b74061b1cd 100644
--- a/web/src/locales/ja.ts
+++ b/web/src/locales/ja.ts
@@ -1870,7 +1870,7 @@ export default {
chat: 'チャット',
embedding: '埋め込み',
rerank: '再ランク',
- sequence2text: 'sequence2text',
+ sequence2text: 'ASR',
tts: 'TTS',
image2text: 'VLM',
ocr: 'OCR',
diff --git a/web/src/locales/ko.ts b/web/src/locales/ko.ts
index b0a7a285ca..4376b4524c 100644
--- a/web/src/locales/ko.ts
+++ b/web/src/locales/ko.ts
@@ -1744,7 +1744,7 @@ export default {
chat: '채팅',
embedding: 'Embedding',
rerank: 'Rerank',
- sequence2text: 'sequence2text',
+ sequence2text: 'ASR',
tts: 'TTS',
image2text: 'OCR',
speech2text: 'ASR',
diff --git a/web/src/locales/ru.ts b/web/src/locales/ru.ts
index ce8bb25532..0288c270c4 100644
--- a/web/src/locales/ru.ts
+++ b/web/src/locales/ru.ts
@@ -1460,7 +1460,7 @@ export default {
chat: 'Чат',
embedding: 'Эмбеддинг',
rerank: 'Rerank',
- sequence2text: 'sequence2text',
+ sequence2text: 'ASR',
tts: 'TTS',
image2text: 'OCR',
speech2text: 'ASR',
diff --git a/web/src/locales/tr.ts b/web/src/locales/tr.ts
index dd45a17166..e3cef57eb0 100644
--- a/web/src/locales/tr.ts
+++ b/web/src/locales/tr.ts
@@ -1095,7 +1095,7 @@ Bu otomatik etiketleme özelliği, mevcut datasete alanına özgü bilgi katman
locale: 'Yerel ayar',
selectLanguage: 'Dil seçin',
reasoning: 'Akıl yürütme',
- reasoningTip: `Deepseek-R1 veya OpenAI o1 gibi modellerde görüldüğü şekilde soru yanıtlama sırasında bir akıl yürütme iş akışı etkinleştirilsin mi. Etkinleştirildiğinde, model harici bilgiye erişebilir ve karmaşık soruları düşünce zinciri akıl yürütmesi gibi tekniklerden yararlanarak adım adım ele alabilir. Bu yaklaşım, problemleri yönetilebilir adımlara bölerek modelin doğru yanıtlar sağlama yeteneğini artırır.`,
+ reasoningTip: `Deepseek-R1 gibi modellerde görüldüğü şekilde soru yanıtlama sırasında bir akıl yürütme iş akışı etkinleştirilsin mi. Etkinleştirildiğinde, model harici bilgiye erişebilir ve karmaşık soruları düşünce zinciri akıl yürütmesi gibi tekniklerden yararlanarak adım adım ele alabilir. Bu yaklaşım, problemleri yönetilebilir adımlara bölerek modelin doğru yanıtlar sağlama yeteneğini artırır.`,
tavilyApiKeyTip:
'Burada bir API anahtarı doğru şekilde ayarlanırsa, Tavily tabanlı web aramaları dataset alımını desteklemek için kullanılacaktır.',
tavilyApiKeyMessage: 'Lütfen Tavily API ANAHTARInızı girin',
@@ -1575,7 +1575,7 @@ Bu otomatik etiketleme özelliği, mevcut datasete alanına özgü bilgi katman
chat: 'Sohbet',
embedding: 'Embedding',
rerank: 'Yeniden sıralama',
- sequence2text: 'diziden metne',
+ sequence2text: 'ASR',
tts: 'TTS',
image2text: 'OCR',
speech2text: 'ASR',
diff --git a/web/src/locales/zh.ts b/web/src/locales/zh.ts
index 4b9a8fd5ad..e51ded1696 100644
--- a/web/src/locales/zh.ts
+++ b/web/src/locales/zh.ts
@@ -104,7 +104,7 @@ export default {
setting: '用户设置',
logout: '登出',
fileManager: '文件管理',
- skills: '技能',
+ skills: 'Skills',
flow: '智能体',
search: '搜索',
welcome: '欢迎来到',
@@ -115,40 +115,40 @@ export default {
help: '帮助',
},
skills: {
- title: '技能',
- selectSpace: '选择一个技能空间开始使用',
- spacePlaceholder: '输入中心名称',
- createSpace: '创建技能空间',
- createSpaceTitle: '创建新技能空间',
- createSpaceDescription: '创建一个新的中心来组织和管理您的技能。',
- spaceName: '技能空间名称',
+ title: 'Skills',
+ selectSpace: '选择一个 Skills 空间开始使用',
+ spacePlaceholder: '输入空间名称',
+ createSpace: '创建 Skills 空间',
+ createSpaceTitle: '创建新 Skills 空间',
+ createSpaceDescription: '创建一个新的空间来组织和管理您的 Skills。',
+ spaceName: 'Skills 空间名称',
spaceNamePlaceholder: '例如:my-space',
- spaceNameRequired: '请输入中心名称',
- noSpaces: '暂无技能空间,创建您的第一个!',
+ spaceNameRequired: '请输入空间名称',
+ noSpaces: '暂无 Skills 空间,创建您的第一个!',
enterSpace: '进入',
- spaceCreated: '技能空间创建成功',
- spaceDeleted: '技能空间删除成功',
- fetchError: '获取技能列表失败',
- deleteSpaceTitle: '删除技能空间',
+ spaceCreated: 'Skills 空间创建成功',
+ spaceDeleted: 'Skills 空间删除成功',
+ fetchError: '获取 Skills 列表列表失败',
+ deleteSpaceTitle: '删除 Skills 空间',
deleteSpaceDescription:
- '确定要删除此技能空间吗?此操作无法撤销,该中心中的所有技能将被永久删除。',
- deleteSpaceName: '中心名称',
- uploadSuccess: '技能上传成功',
- uploadError: '技能上传失败',
- deleteSuccess: '技能删除成功',
- deleteError: '技能删除失败',
- skillExists: '同名技能已存在,请先删除或使用其他名称',
- uploadSkill: '上传技能',
- searchPlaceholder: '搜索技能...',
- noSkills: '暂无技能,上传您的第一个技能',
- noSearchResults: '没有找到匹配的技能',
+ '确定要删除此 Skills 空间吗?此操作无法撤销,该空间中的所有 Skills 将被永久删除。',
+ deleteSpaceName: '空间名称',
+ uploadSuccess: 'Skills 上传成功',
+ uploadError: 'Skills 上传失败',
+ deleteSuccess: 'Skills 删除成功',
+ deleteError: 'Skills 删除失败',
+ skillExists: '同名 Skills 已已存在,请先删除或使用其他名称',
+ uploadSkill: '上传 Skills',
+ searchPlaceholder: '搜索 Skills...',
+ noSkills: '暂无 Skills,上传您的第一个 Skill',
+ noSearchResults: '没有找到匹配的 Skill',
filesCount: '{{count}} 个文件',
foldersCount: '{{count}} 个文件夹',
pageInfo: '第 {{current}} 页,共 {{total}} 页',
- totalSkills: '共 {{total}} 个技能',
- backToSkills: '返回技能列表',
+ totalSkills: '共 {{total}} 个 Skills',
+ backToSkills: '返回 Skills 列表',
selectFileToView: '选择文件查看',
- skillName: '技能名称',
+ skillName: 'Skill 名称',
skillNamePlaceholder: '例如:my-awesome-skill',
skillNameHelp: '只允许字母、数字、连字符和下划线',
source: '来源',
@@ -158,12 +158,12 @@ export default {
versionFormatHelp: '版本号必须符合语义化版本格式(例如:1.0.0)',
versionRequired: '版本号为必填项',
selectFilesOrFolder: '选择文件或文件夹',
- uploadDescription: '上传技能文件。您可以拖拽文件或选择文件夹上传。',
+ uploadDescription: '上传 Skills 文件。您可以拖拽文件或选择文件夹上传。',
selectFolder: '选择文件夹',
dragFilesHint: '或拖拽文件到下方',
- dragFilesTitle: '拖拽技能文件夹到此处',
+ dragFilesTitle: '拖拽 Skills 文件夹到此处',
dragFilesDescription:
- '将技能文件夹拖拽到此处,或使用下方的"选择文件夹"按钮。',
+ '将 Skills 文件夹拖拽到此处,或使用下方的"选择文件夹"按钮。',
filesSelected: '已选择 {{count}} 个文件',
uploading: '上传中...',
files: '文件',
@@ -174,7 +174,7 @@ export default {
metadata: {
basic: '基本信息',
emoji: '表情符号',
- skillKey: '技能键名',
+ skillKey: 'Skill 键名',
always: '始终激活',
primaryEnv: '主环境变量',
requires: '运行要求',
@@ -189,30 +189,30 @@ export default {
},
validation: {
missing_skill_md:
- '无效的技能:未找到 SKILL.md 文件。请确保技能目录包含有效的 SKILL.md 文件。',
+ '无效的 Skills:未找到 SKILL.md 文件。请确保 Skills 文件目录包含有效的 SKILL.md 文件。',
invalid_frontmatter:
- '无效的技能:SKILL.md 必须包含有效的 frontmatter(以 --- 开头和结尾)。',
- missing_name: '无效的技能:SKILL.md frontmatter 必须包含 "name" 字段。',
+ '无效的 Skills:SKILL.md 必须包含有效的 frontmatter(以 --- 开头和结尾)。',
+ missing_name: '无效的 Skills:SKILL.md frontmatter 必须包含 "name" 字段。',
invalid_name_format:
- '无效的技能:"name" 必须是小写且 URL 安全的(仅字母、数字、连字符)。',
+ '无效的 Skills:"name" 必须是小写且 URL 安全的(仅字母、数字、连字符)。',
invalid_version:
- '无效的技能:"version" 必须是有效的语义化版本(例如:1.0.0)。',
- invalid_metadata: '无效的技能:metadata 包含无效字段。',
- invalid_file_type: '无效的技能:只允许文本类型的文件。',
- invalid_path: '无效的技能:文件路径包含无效字符。',
- file_too_large: '无效的技能:单个文件大小超过 5MB 限制。',
- total_size_exceeded: '无效的技能:总包大小超过 50MB 限制。',
- no_files: '未选择文件。请选择技能文件夹。',
+ '无效的 Skills:"version" 必须是有效的语义化版本(例如:1.0.0)。',
+ invalid_metadata: '无效的 Skills:metadata 包含无效字段。',
+ invalid_file_type: '无效的 Skills:只允许文本类型的文件。',
+ invalid_path: '无效的 Skills:文件路径包含无效字符。',
+ file_too_large: '无效的 Skills:单个文件大小超过 5MB 限制。',
+ total_size_exceeded: '无效的 Skills:总包大小超过 50MB 限制。',
+ no_files: '未选择文件。请选择 Skills 文件夹。',
noValidFiles: '未找到有效文件,请检查您的选择。',
junkFilesFound: '检测到临时文件(如 .DS_Store),请删除后再上传。',
- read_failed: '无效的技能:无法读取 SKILL.md 文件。',
- invalid: '无效的技能格式。',
- valid: '有效的技能格式,可以上传。',
+ read_failed: '无效的 Skills:无法读取 SKILL.md 文件。',
+ invalid: '无效的 Skills 格式。',
+ valid: '有效的 Skills 格式,可以上传。',
error: '验证失败',
versionExists: '该版本已存在,请使用不同的版本号。',
},
parsedMetadata: '从 SKILL.md 解析:',
- addSkill: '添加技能',
+ addSkill: '添加 Skills',
upload: '本地上传',
importFromGit: '从 Git 导入',
gitPlatform: '平台',
@@ -231,23 +231,23 @@ export default {
configureSearch: '配置搜索',
},
skillSearch: {
- configTitle: '技能搜索配置',
- configDesc: '配置技能的索引和搜索方式',
- embeddingModel: '嵌入模型',
- embeddingModelPlaceholder: '选择嵌入模型',
+ configTitle: 'Skills 搜索配置',
+ configDesc: '配置 Skills 的索引和搜索方式',
+ embeddingModel: 'Embedding 模型',
+ embeddingModelPlaceholder: '选择 Embedding 模型',
vectorSimilarityWeight: '向量相似度权重',
similarityThreshold: '相似度阈值',
topK: '返回结果数量',
indexFields: '索引字段',
indexFieldsDesc: '选择要包含在搜索索引中的字段',
fieldName: '名称',
- fieldNameDesc: '技能名称',
+ fieldNameDesc: 'Skill 名称',
fieldTags: '标签',
- fieldTagsDesc: '技能标签',
+ fieldTagsDesc: 'Skill 标签',
fieldDescription: '描述',
- fieldDescriptionDesc: '技能描述',
+ fieldDescriptionDesc: 'Skill 描述',
fieldContent: '内容',
- fieldContentDesc: '技能内容(如 README)',
+ fieldContentDesc: 'Skill 内容(如 README)',
weight: '权重',
pureKeyword: '仅关键词',
pureVector: '仅向量',
@@ -260,10 +260,10 @@ export default {
reindex: '重建索引',
reindexing: '重建索引中...',
reindexSuccess: '重建索引成功',
- pleaseSelectEmbeddingModel: '请选择嵌入模型',
+ pleaseSelectEmbeddingModel: '请选择 Embedding 模型',
saveSuccess: '保存成功',
saveError: '保存失败',
- semanticSearchPlaceholder: '按语义搜索技能...',
+ semanticSearchPlaceholder: '按语义搜索 Skills...',
switchToSemantic: '切换到语义搜索',
switchToLocal: '切换到本地搜索',
},
@@ -286,7 +286,7 @@ export default {
name: '名称',
memoryNamePlaceholder: '记忆名称',
memoryType: '记忆类型',
- embeddingModel: '嵌入模型',
+ embeddingModel: 'Embedding 模型',
selectModel: '选择模型',
llm: '大语言模型',
delMemoryWarn: `删除后,此记忆中的所有消息都将被删除,智能体将无法检索。`,
@@ -312,8 +312,8 @@ export default {
config: {
titleDescription: '在这里更新您的记忆配置,特别是大语言模型和提示词。',
descriptionPlaceholder: '描述你的记忆',
- memorySizeTooltip: `记录每条消息的内容 + 其嵌入向量(≈ 内容 + 维度 × 8 字节)。
-例如:一条带有 1024 维嵌入的 1 KB 消息大约使用 9 KB。5 MB 的默认限制大约可容纳 500 条此类消息。`,
+ memorySizeTooltip: `记录每条消息的内容 + 其 Embedding(≈ 内容 + 维度 × 8 字节)。
+例如:一条带有 1024 维 Embedding 的 1 KB 消息大约使用 9 KB。5 MB 的默认限制大约可容纳 500 条此类消息。`,
avatar: '头像',
description: '描述',
memorySize: '记忆大小',
@@ -406,11 +406,11 @@ export default {
generate: '生成',
raptor: 'RAPTOR',
artifact: 'Artifact',
- toSkills: '生成技能',
+ toSkills: '生成 Skills',
generateArtifact:
- '从配置了知识编译模板的每个文档中编译 Artifact 页面(实体 / 概念 / 主题 wiki)。每次运行仅处理新添加的 chunk。',
+ '从配置了知识编译模板的每个文档中编译 Artifact 页面(Entity / Concept / Topic)。每次运行仅处理新添加的 Chunk。',
generateToSkills:
- '从该数据集构建分层技能树,并存储生成的技能页面以供搜索和复用。',
+ '从该数据集构建分层 Skills 树,并存储生成的 Skills 页面以供搜索和复用。',
noWikiPages: '暂无 Wiki 页面',
compiling: '编译中…',
compilingCounts: '处理中 {{inflight}} / 待处理 {{backlog}}',
@@ -427,7 +427,7 @@ export default {
'发现 {{newlyUploaded}} 个新文档,{{removed}} 个已移除文档。点击更新{{name}}。',
viewUpdateLogs: '查看更新日志',
log: '日志',
- noSkills: '暂无技能',
+ noSkills: '暂无 Skills',
processingType: '处理类型',
dataPipeline: '切换或配置 ingestion pipeline。',
dataPipelineTitle: '数据管道',
@@ -448,7 +448,7 @@ export default {
completed: '已完成',
datasetLog: '知识库日志',
created: '创建于',
- learnMore: '内置pipeline简介',
+ learnMore: '内置 pipeline 简介',
general: '通用',
chunkMethodTab: '切片方法',
testResults: '测试结果',
@@ -461,7 +461,7 @@ export default {
testing: '检索测试',
configuration: '配置',
nextConfiguration: '知识库配置',
- knowledgeGraph: '知识图谱',
+ knowledgeGraph: 'Graph',
compilation: '编译',
export: '导出',
version: '版本',
@@ -475,33 +475,33 @@ export default {
versionContent: '版本内容',
versionContentPlaceholder: '请输入版本内容',
versionContentRequired: '请输入版本内容',
- graph: '图谱',
- graphPlaceholder: '图谱视图占位',
+ graph: 'Graph',
+ graphPlaceholder: 'Graph 视图占位',
skills: '技能',
llmWiki: 'Wiki',
- navTree: '目录树/页面索引',
- structureGraph: '图谱',
- structureMindmap: '思维导图',
- structureTimeline: '时间线',
- structureSessionEssence: '会话摘要',
- structureSessionGraph: '会话图谱',
- noStructureGraph: '暂无图谱',
- noStructureMindmap: '暂无思维导图',
- noStructureTimeline: '暂无时间线',
- noStructureSessionEssence: '暂无会话摘要',
- noStructureSessionGraph: '暂无会话图谱',
+ navTree: 'PageIndex',
+ structureGraph: 'Graph',
+ structureMindmap: 'Mindmap',
+ structureTimeline: 'Timeline',
+ structureSessionEssence: 'Session Essence',
+ structureSessionGraph: 'Session Graph',
+ noStructureGraph: '暂无 Graph',
+ noStructureMindmap: '暂无 Mindmap',
+ noStructureTimeline: '暂无 Timeline',
+ noStructureSessionEssence: '暂无 Session Essence',
+ noStructureSessionGraph: '暂无 Session Graph',
deleteStructureConfirm: '确定要删除{{name}}吗?',
contents: '导航',
- topics: '主题',
- concept: '概念',
+ topics: 'Topic',
+ concept: 'Concept',
createDirectoryFolder: '创建目录',
directoryName: '名称',
- directoryNamePlaceholder: '实例名称',
+ directoryNamePlaceholder: 'Entity 名称',
directoryRule: '规则',
directoryRulePlaceholder: '输入',
- entity: '实体',
+ entity: 'Entity',
selectArtifact: '从目录中选择一个条目以查看详情',
- searchEntity: '搜索实体',
+ searchEntity: '搜索 Entity',
sourceDocuments: '来源文档',
compilationTitleSuffix: '的数据集',
files: '个文件',
@@ -522,7 +522,7 @@ export default {
action: '动作',
parsingStatus: '解析状态',
parsingStatusTip:
- '文本解析的时间取决于诸多因素。如果开启了知识图谱、RAPTOR、自动问题提取、自动关键词提取等功能,时间会更长。如果解析进度条长时间不更新,也可以参考这两条 FAQ:https://ragflow.io/docs/dev/faq#why-does-my-document-parsing-stall-at-under-one-percent。',
+ '文本解析的时间取决于诸多因素。如果开启了 Graph、RAPTOR、自动问题提取、自动关键词提取等功能,时间会更长。如果解析进度条长时间不更新,也可以参考这两条 FAQ:https://ragflow.io/docs/dev/faq#why-does-my-document-parsing-stall-at-under-one-percent。',
processBeginAt: '开始于',
processDuration: '持续时间',
progressMsg: '进度',
@@ -535,10 +535,10 @@ export default {
'我们使用混合相似度得分来评估两行文本之间的距离。 它是加权关键词相似度和向量余弦相似度。 如果查询和块之间的相似度小于此阈值,则该块将被过滤掉。默认设置为 0.2,也就是说文本块的混合相似度得分至少 20 才会被召回。',
vectorSimilarityWeight: '向量相似度权重',
vectorSimilarityWeightTip:
- '我们使用混合相似性评分来评估两行文本之间的距离。它是加权关键字相似性和矢量余弦相似性或rerank得分(0〜1)。两个权重的总和为1.0。',
+ '我们使用混合相似性评分来评估两行文本之间的距离。它是加权关键字相似性和矢量余弦相似性或 Rerank 得分(0〜1)。两个权重的总和为1.0。',
keywordSimilarityWeight: '关键词相似度权重',
keywordSimilarityWeightTip:
- '我们使用混合相似性评分来评估两行文本之间的距离。它是加权关键字相似性和矢量余弦相似性或rerank得分(0〜1)。两个权重的总和为1.0。',
+ '我们使用混合相似性评分来评估两行文本之间的距离。它是加权关键字相似性和矢量余弦相似性或 Rerank 得分(0〜1)。两个权重的总和为1.0。',
testText: '测试文本',
testTextPlaceholder: '请输入您的问题!',
testingLabel: '运行',
@@ -580,9 +580,9 @@ export default {
bulk: '批量',
cancel: '取消',
close: '关闭',
- rerankModel: 'Rerank模型',
+ rerankModel: 'Rerank 模型',
rerankPlaceholder: '请选择',
- rerankTip: `非必选项:若不选择 rerank 模型,系统将默认采用关键词相似度与向量余弦相似度相结合的混合查询方式;如果设置了 rerank 模型,则混合查询中的向量相似度部分将被 rerank 打分替代。请注意:采用 rerank 模型会非常耗时。如需选用 rerank 模型,建议使用 SaaS 的 rerank 模型服务;如果你倾向使用本地部署的 rerank 模型,请务必确保你使用 docker-compose-gpu.yml 启动 RAGFlow。`,
+ rerankTip: `非必选项:若不选择 Rerank 模型,系统将默认采用关键词相似度与向量余弦相似度相结合的混合查询方式;如果设置了 Rerank 模型,则混合查询中的向量相似度部分将被 Rerank 打分替代。请注意:采用 Rerank 模型会非常耗时。如需选用 Rerank 模型,建议使用 SaaS 的 Rerank 模型服务;如果你倾向使用本地部署的 Rerank 模型,请务必确保你使用 docker-compose-gpu.yml 启动 RAGFlow。`,
topK: 'Top-K',
topKTip: `与 Rerank 模型配合使用,用于设置传给 Rerank 模型的文本块数量。`,
delimiter: `文本分段标识符`,
@@ -593,17 +593,17 @@ export default {
childrenDelimiterTip:
'支持多字符作为分隔符,多字符用两个反引号 \\`\\` 分隔符包裹。若配置成:\\n`##`; 系统将首先使用换行符、两个#号以及分号先对文本进行分割,随后再对分得的小文本块按照「建议文本块大小」设定的大小进行拼装。在设置文本分段标识符前请确保理解上述文本分段切片机制。',
- html4excel: '表格转HTML',
+ html4excel: '表格转 HTML',
html4excelTip: `与 General 切片方法配合使用。未开启状态下,表格文件(XLSX、XLS(Excel 97-2003))会按行解析为键值对。开启后,表格文件会被解析为 HTML 表格。若原始表格超过 12 行,系统会自动按每 12 行拆分为多个 HTML 表格。欲了解更多详情,请参阅 https://ragflow.io/docs/dev/enable_excel2html。`,
autoKeywords: '自动关键词提取',
autoKeywordsTip: `自动为每个文本块中提取 N 个关键词,用以提升查询精度。请注意:该功能采用在“配置”中指定的索引模型提取关键词,因此也会产生更多 Token 消耗。另外,你也可以手动更新生成的关键词。详情请见 https://ragflow.io/docs/dev/autokeyword_autoquestion。`,
autoQuestions: '自动问题提取',
- autoQuestionsTip: `利用在“配置”中指定的索引模型 对知识库的每个文本块提取 N 个问题以提高其排名得分。请注意,开启后将消耗额外的 token。您可以在块列表中查看、编辑结果。如果自动问题提取发生错误,不会妨碍整个分块过程,只会将空结果添加到原始文本块。详情请见 https://ragflow.io/docs/dev/autokeyword_autoquestion。`,
+ autoQuestionsTip: `利用在“配置”中指定的索引模型 对知识库的每个文本块提取 N 个问题以提高其排名得分。请注意,开启后将消耗额外的 Token。您可以在块列表中查看、编辑结果。如果自动问题提取发生错误,不会妨碍整个分块过程,只会将空结果添加到原始文本块。详情请见 https://ragflow.io/docs/dev/autokeyword_autoquestion。`,
autoTags: '自动标签提取',
- redo: '是否清空已有 {{chunkNum}}个 chunk?',
+ redo: '是否清空已有 {{chunkNum}}个 Chunk?',
setMetaData: '设置元数据',
pleaseInputJson: '请输入JSON',
- documentMetaTips: `<p>元数据为 Json 格式(不可搜索)。如果提示中包含此文档的任何块,它将被添加到 LLM 的提示中。</p>
+ documentMetaTips: `<p>元数据为 JSON 格式(不可搜索)。如果提示中包含此文档的任何块,它将被添加到 LLM 的提示中。</p>
<p>示例:</p>
<b>元数据为:</b><br>
<code>
@@ -624,9 +624,9 @@ export default {
`,
metaData: '元数据',
deleteDocumentConfirmContent:
- '该文档与知识图谱相关联。删除后,相关节点和关系信息将被删除,但图不会立即更新。更新图动作是在解析承载知识图谱提取任务的新文档的过程中执行的。',
+ '该文档与 Graph 相关联。删除后,相关节点和边信息将被删除,但图不会立即更新。更新图动作是在解析承载 Graph 提取任务的新文档的过程中执行的。',
plainText: 'Naive',
- reRankModelWaring: '重排序模型非常耗时。',
+ reRankModelWaring: 'Rerank 模型非常耗时。',
theDocumentBeingParsedCannotBeDeleted: '正在解析的文档不能被删除',
},
knowledgeConfiguration: {
@@ -636,10 +636,10 @@ export default {
overlappedPercentTip: '相邻两个块之间的重叠百分比',
settings: '设置',
autoMetadataTip:
- '自动生成元数据。适用于解析新文件。现有文件需要重新解析才能更新(chunk将保留)。请注意,配置中指定的索引模型将消耗额外的 Token。',
+ '自动生成元数据。适用于解析新文件。现有文件需要重新解析才能更新(Chunk 将保留)。请注意,配置中指定的索引模型将消耗额外的 Token。',
imageTableContextWindow: '图像与表格上下文窗口',
imageTableContextWindowTip:
- '抓取图像与表格上下方的 N 个 token,为该 chunk 提供更丰富的背景上下文。',
+ '抓取图像与表格上下方的 N 个 token,为该 Chunk 提供更丰富的背景上下文。',
autoMetadata: '自动元数据',
mineruOptions: 'MinerU 选项',
mineruParseMethod: '解析方法',
@@ -661,7 +661,7 @@ export default {
paddleocrAlgorithm: 'PaddleOCR 算法',
paddleocrAlgorithmTip: '用于 PaddleOCR 解析的算法',
paddleocrSelectAlgorithm: '选择算法',
- paddleocrModelNamePlaceholder: '例如:paddleocr-环境-1',
+ paddleocrModelNamePlaceholder: '例如:Paddleocr-环境-1',
generationScopeTip: '选择 RAPTOR 的生成范围:整个知识库或单个文件。',
generationScope: '生成范围',
scopeSingleFile: '单文件',
@@ -675,30 +675,30 @@ export default {
linkSourceSetTip: '管理与此知识库的数据源链接',
linkDataSource: '链接数据源',
tocExtractionTip:
- '对于已有的chunk生成层级结构的目录信息(每个文件一个目录)。在查询时,激活`Page Index`后,系统会用大模型去判断用户问题和哪些目录项相关,从而找到相关的chunk。',
+ '对于已有的 Chunk 生成层级结构的目录信息(每个文件一个目录)。在查询时,激活`PageIndex`后,系统会用大模型去判断用户问题和哪些目录项相关,从而找到相关的 Chunk。',
deleteGenerateModalContent: `
<p>删除生成的 <strong class='text-text-primary'>{{type}}</strong> 结果
- 将从此知识库中移除所有派生实体和关系。
+ 将从此知识库中移除所有派生 Entities 和 Relations。
您的原始文件将保持不变。<p>
<br/>
是否要继续?
`,
- extractRaptor: '从文档中提取RAPTOR',
- extractKnowledgeGraph: '从文档中提取知识图谱',
+ extractRaptor: '从文档中提取 RAPTOR',
+ extractKnowledgeGraph: '从文档中提取 Graph',
filterPlaceholder: '请输入',
fileFilterTip: '',
fileFilter: '正则匹配表达式',
setDefaultTip: '',
setDefault: '设置默认',
- editLinkDataPipeline: '编辑pipeline',
+ editLinkDataPipeline: '编辑 pipeline',
linkPipelineSetTip: '管理与此知识库的数据管道链接',
default: '默认',
dataPipeline: '切换或配置 ingestion pipeline。',
- linkDataPipeline: '关联pipeline',
+ linkDataPipeline: '关联 pipeline',
enableAutoGenerate: '是否启用自动生成',
teamPlaceholder: '请选择团队',
- dataFlowPlaceholder: '请选择pipeline',
- buildItFromScratch: '去Scratch构建',
+ dataFlowPlaceholder: '请选择 pipeline',
+ buildItFromScratch: '去 Scratch 构建',
dataFlow: 'pipeline',
parseType: '解析方法',
manualSetup: '选择pipeline',
@@ -706,27 +706,27 @@ export default {
titleDescription: '在这里更新您的知识库配置,特别是大语言模型和提示词。',
name: '知识库名称',
photo: '知识库图片',
- photoTip: '你可以上传4MB的文件',
+ photoTip: '你可以上传 4MB 的文件',
description: '描述',
language: '文档语言',
languageMessage: '请输入语言',
languagePlaceholder: '请输入语言',
permissions: '权限',
- embeddingModel: '嵌入模型',
+ embeddingModel: 'Embedding 模型',
chunkTokenNumber: '建议文本块大小',
- chunkTokenNumberMessage: '块Token数是必填项',
+ chunkTokenNumberMessage: '块 Token 数是必填项',
embeddingModelTip:
- '知识库采用的默认嵌入模型。一旦知识库内已经产生了文本块,更换嵌入模型时,系统将随机抽取若干 chunk 进行兼容性校验,使用新嵌入模型重新编码并计算新旧向量的余弦相似度,样本平均相似度需 ≥ 0.9 方可切换。否则,必须删除知识库内的所有文本块后才能更改。',
+ '知识库采用的默认 Embedding 模型。一旦知识库内已经产生了文本块,更换 Embedding 模型时,系统将随机抽取若干 Chunk 进行兼容性校验,使用新 Embedding 模型重新编码并计算新旧向量的余弦相似度,样本平均相似度需 ≥ 0.9 方可切换。否则,必须删除知识库内的所有文本块后才能更改。',
permissionsTip:
'如果把知识库权限设为“团队”,则所有团队成员都可以操作该知识库。',
chunkTokenNumberTip:
- '建议的生成文本块的 token 数阈值。如果切分得到的小文本段 token 数达不到这一阈值就会不断与之后的文本段合并,直至再合并下一个文本段会超过这一阈值为止,此时产生一个最终文本块。如果系统在切分文本段时始终没有遇到文本分段标识符,即便文本段 token 数已经超过这一阈值,系统也不会生成新文本块。',
+ '建议的生成文本块的 Token 数阈值。如果切分得到的小文本段 token 数达不到这一阈值就会不断与之后的文本段合并,直至再合并下一个文本段会超过这一阈值为止,此时产生一个最终文本块。如果系统在切分文本段时始终没有遇到文本分段标识符,即便文本段 token 数已经超过这一阈值,系统也不会生成新文本块。',
chunkMethod: '切片方法',
chunkMethodTip: '说明位于右侧。',
upload: '上传',
english: '英文',
chinese: '中文',
- embeddingModelPlaceholder: '请选择嵌入模型',
+ embeddingModelPlaceholder: '请选择 Embedding 模型',
chunkMethodPlaceholder: '请选择分块方法',
save: '保存',
me: '只有我',
@@ -744,7 +744,7 @@ export default {
laws: `<p>支持的文件格式为<b>DOCX</b>、<b>PDF</b>、<b>TXT</b>。</p><p>
法律文件有非常严格的书写格式。 我们使用文本特征来检测分割点。
</p><p>
- chunk的粒度与'ARTICLE'一致,所有上层文本都会包含在chunk中。
+ Chunk 的粒度与'ARTICLE'一致,所有上层文本都会包含在 Chunk 中。
</p>`,
manual: `<p>仅支持<b>PDF</b>。</p><p>
我们假设手册具有分层部分结构。 我们使用最低的部分标题作为对文档进行切片的枢轴。
@@ -754,16 +754,16 @@ export default {
<p>此方法将简单的方法应用于块文件:</p>
<p>
<li>系统将使用视觉检测模型将连续文本分割成多个片段。</li>
- <li>接下来,这些连续的片段被合并成Token数不超过“Token数”的块。</li></p>`,
+ <li>接下来,这些连续的片段被合并成 Token 数不超过“Token数”的块。</li></p>`,
paper: `<p>仅支持<b>PDF</b>文件。</p><p>
如果我们的模型运行良好,论文将按其部分进行切片,例如<i>摘要、1.1、1.2</i>等。</p><p>
- 这样做的好处是LLM可以更好的概括论文中相关章节的内容,
+ 这样做的好处是 LLM 可以更好的概括论文中相关章节的内容,
产生更全面的答案,帮助读者更好地理解论文。
缺点是它增加了 LLM 对话的背景并增加了计算成本,
所以在对话过程中,你可以考虑减少‘<b>topN</b>’的设置。</p>`,
presentation: `<p>支持的文件格式为<b>PDF</b>、<b>PPTX</b>。</p><p>
每个页面都将被视为一个块。 并且每个页面的缩略图都会被存储。</p><p>
- <i>您上传的所有PPT文件都会使用此方法自动分块,无需为每个PPT文件进行设置。</i></p>`,
+ <i>您上传的所有 PPT 文件都会使用此方法自动分块,无需为每个PPT文件进行设置。</i></p>`,
qa: ` <p>
此块方法支持<b> excel </b>和<b> csv/txt </b>文件格式。
</p>
@@ -789,7 +789,7 @@ export default {
</p><p>
简历有多种格式,就像一个人的个性一样,但我们经常必须将它们组织成结构化数据,以便于搜索。
</p><p>
- 我们不是将简历分块,而是将简历解析为结构化数据。 作为HR,你可以扔掉所有的简历,
+ 我们不是将简历分块,而是将简历解析为结构化数据。 作为 HR,你可以扔掉所有的简历,
您只需与<i>'RAGFlow'</i>交谈即可列出所有符合资格的候选人。
</p>
`,
@@ -820,13 +820,13 @@ export default {
</p><p>
对于一个文档,它将被视为一个完整的块,根本不会被分割。
</p><p>
- 如果你要总结的东西需要一篇文章的全部上下文,并且所选LLM的上下文长度覆盖了文档长度,你可以尝试这种方法。
+ 如果你要总结的东西需要一篇文章的全部上下文,并且所选 LLM 的上下文长度覆盖了文档长度,你可以尝试这种方法。
</p>`,
knowledgeGraph: `<p>支持的文件格式为<b>DOCX、EXCEL、PPT、IMAGE、PDF、TXT、MD、JSON、EML</b>
-<p>文件分块后,使用分块提取整个文档的知识图谱和思维导图。此方法将简单的方法应用于分块文件:
-连续的文本将被切成大约 512 个 token 数的块。</p>
-<p>接下来,将分块传输到 LLM 以提取知识图谱和思维导图的节点和关系。</p>
+<p>文件分块后,使用分块提取整个文档的 Graph 和 Mindmap。此方法将简单的方法应用于分块文件:
+连续的文本将被切成大约 512 个 Token 数的块。</p>
+<p>接下来,将分块传输到 LLM 以提取 Graph 和 Mindmap 的节点和边。</p>
注意您需要指定的条目类型。</p>`,
tag: `<p>使用“Tag”分块方法的知识库用作标签集.其他知识库可以把标签集当中的标签按照相似度匹配到自己对应的文本块中,对这些知识库的查询也将根据此标签集对自己进行标记。</p>
@@ -852,8 +852,8 @@ export default {
段落:
{cluster_content}`,
- maxToken: '最大token数',
- maxTokenMessage: '最大token数是必填项',
+ maxToken: '最大 Token 数',
+ maxTokenMessage: '最大 Token 数是必填项',
threshold: '阈值',
thresholdMessage: '阈值是必填项',
clusteringMethod: '聚类方法',
@@ -871,7 +871,7 @@ export default {
thresholdTip:
'在 RAPTOR 中,数据块会根据它们的语义相似性进行聚类。阈值设定了数据块被分到同一组所需的最小相似度。阈值越高,每个聚类中的数据块越少;阈值越低,则每个聚类中的数据块越多。',
maxClusterTip: '最多可创建的聚类数。',
- entityTypes: '实体类型',
+ entityTypes: 'Entity 类型',
compilationTemplate: '算子',
createTemplate: '创建模板',
scopeFile: '文件',
@@ -898,21 +898,21 @@ export default {
`,
tags: '标签',
addTag: '增加标签',
- useGraphRag: '提取知识图谱',
+ useGraphRag: '提取 Graph',
useGraphRagTip:
- '基于知识库内所有切好的文本块构建知识图谱,用以提升多跳和复杂问题回答的正确率。请注意:构建知识图谱将消耗大量 token 和时间。详见 https://ragflow.io/docs/dev/construct_knowledge_graph。',
+ '基于知识库内所有切好的文本块构建 Graph,用以提升多跳和复杂问题回答的正确率。请注意:构建 Graph 将消耗大量 Token 和时间。详见 https://ragflow.io/docs/dev/construct_knowledge_graph。',
graphRagMethod: '方法',
- graphRagMethodTip: `Light:实体和关系提取提示来自 GitHub - HKUDS/LightRAG:“LightRAG:简单快速的检索增强生成”<br>
-General:实体和关系提取提示来自 GitHub - microsoft/graphrag:基于图的模块化检索增强生成 (RAG) 系统<br>
-NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系,无需 LLM 参与提取过程,速度快且资源消耗低`,
- graphRagBatchChunkTokenSize: '批量chunk token 大小',
+ graphRagMethodTip: `Light:Entities 和 Relations 提取提示来自 GitHub - HKUDS/LightRAG:“LightRAG:简单快速的检索增强生成”<br>
+General:Entities 和 Relations 提取提示来自 GitHub - microsoft/graphrag:基于图的模块化检索增强生成 (RAG) 系统<br>
+NER:使用 spaCy NER 和基于规则的关键词提取来抽取 Entities 和 Relations ,无需 LLM 参与提取过程,速度快且资源消耗低`,
+ graphRagBatchChunkTokenSize: '批量 Chunk Token 大小',
graphRagBatchChunkTokenSizeTip:
- '发送给 LLM 进行知识图谱实体和关系抽取时,每批文本块的 token 上限。NER 不适用。',
- resolution: '实体归一化',
- resolutionTip: `解析过程会将具有相同含义的实体合并在一起,从而使知识图谱更简洁、更准确。应合并以下实体:特朗普总统、唐纳德·特朗普、唐纳德·J·特朗普、唐纳德·约翰·特朗普`,
- community: '社区报告生成',
+ '发送给 LLM 进行 Entity 和 Relation 抽取时,每批文本块的 token 上限。NER 不适用。',
+ resolution: 'Entities 归一化',
+ resolutionTip: `解析过程会将具有相同含义的 Entities 合并在一起,从而使 Graph 更简洁、更准确。应合并以下 Entities:阿尔伯特·爱因斯坦、爱因斯坦、A·爱因斯坦、阿尔伯特·爱因斯坦教授`,
+ community: 'Community 报告生成',
communityTip:
- '区块被聚集成层次化的社区,实体和关系通过更高抽象层次将每个部分连接起来。然后,我们使用 LLM 生成每个社区的摘要,称为社区报告。更多信息:https://www.microsoft.com/en-us/research/blog/graphrag-improving-global-search-via-dynamic-community-selection/',
+ '区块被聚集成层次化的 Community,Entities 和 Relations 通过更高抽象层次将每个部分连接起来。然后,我们使用 LLM 生成每个 Community 的摘要,称为 Community 报告。更多信息:https://www.microsoft.com/en-us/research/blog/graphrag-improving-global-search-via-dynamic-community-selection/',
top: '前n条',
},
chunk: {
@@ -933,19 +933,19 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
chunkMessage: '请输入值!',
full: '全文',
ellipse: '省略',
- graph: '知识图谱',
- mind: '思维导图',
+ graph: 'Graph',
+ mind: 'Mindmap',
question: '问题',
- questionTip: `如果有给定的问题,则块的嵌入将基于它们。`,
+ questionTip: `如果有给定的问题,则块的 Embedding 将基于它们。`,
chunkResult: '切片结果',
- chunkResultTip: `查看用于嵌入和召回的切片段落。`,
+ chunkResultTip: `查看用于 Embedding 和召回的切片段落。`,
representation: '表征',
representationKinds: {
- knowledge_graph: '知识图谱',
- mind_map: '思维导图',
- page_index: '页面索引',
- timeline: '时间线',
- tree: '树',
+ knowledge_graph: 'Graph',
+ mind_map: 'Mindmap',
+ page_index: 'PageIndex',
+ timeline: 'Timeline',
+ tree: 'Tree',
raptor: 'RAPTOR',
},
representationUnsupported: '暂不支持该表征类型。',
@@ -1047,8 +1047,8 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
frequencyPenaltyMessage: '频率惩罚是必填项',
frequencyPenaltyTip:
'与存在惩罚类似,这减少了模型频繁重复相同单词的倾向。',
- maxTokens: '最大token数',
- maxTokensMessage: '最大token数是必填项',
+ maxTokens: '最大 Token 数',
+ maxTokensMessage: '最大 Token 数是必填项',
maxTokensTip: `模型的最大上下文大小;无效或不正确的值会导致错误。默认值为 512。`,
maxTokensInvalidMessage: '请输入有效的最大令牌数。',
maxTokensMinMessage: '最大令牌数不能小于 0。',
@@ -1076,11 +1076,11 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
pv: '消息数',
uv: '活跃用户数',
speed: 'Token 输出速度',
- tokens: '消耗Token数',
+ tokens: '消耗 Token 数',
round: '会话互动数',
thumbUp: '用户满意度',
preview: '预览',
- embedded: '嵌入',
+ embedded: 'Embedding',
serviceApiEndpoint: '服务API端点',
apiKey: 'API Key',
apiReference: 'API 文档',
@@ -1114,23 +1114,23 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
regenerate: '重新生成',
read: '朗读内容',
tts: '文本转语音',
- ttsTip: '是否用语音转换播放语音,请先在设置里面选择TTS(语音转换模型)。',
+ ttsTip: '是否用语音转换播放语音,请先在设置里面选择 TTS(语音转换模型)。',
relatedQuestion: '相关问题',
answerTitle: '智能回答',
multiTurn: '多轮对话优化',
multiTurnTip:
'在多轮对话时,对查询问题根据上下文进行优化。会调用大模型额外消耗 token。',
- howUseId: '如何使用聊天ID?',
+ howUseId: '如何使用聊天 ID?',
description: '助理描述',
descriptionPlaceholder: '我是一个聊天助手。',
- useKnowledgeGraph: '使用知识图谱',
+ useKnowledgeGraph: '使用 Graph',
useKnowledgeGraphTip:
- '是否检索与所选知识库对应的知识图谱相关文本块,以处理复杂的多跳问题。这一过程将涉及对实体、关系和社区报告文本块的多次检索,会显著延长检索时间。',
+ '是否检索与所选知识库对应的 Graph 相关文本块,以处理复杂的多跳问题。这一过程将涉及对 Entities、Relations 和 Community 报告文本块的多次检索,会显著延长检索时间。',
keyword: '关键词分析',
keywordTip: `应用 LLM 分析用户的问题,提取在相关性计算中要强调的关键词。对长查询效果较好,但会延长响应时间。`,
reasoning: '推理',
reasoningTip:
- '在问答过程中是否启用推理工作流,例如Deepseek-R1或OpenAI o1等模型所采用的方式。启用后,该功能允许模型访问外部知识,并借助思维链推理等技术逐步解决复杂问题。通过将问题分解为可处理的步骤,这种方法增强了模型提供准确回答的能力,从而在需要逻辑推理和多步思考的任务上表现更优。',
+ '在问答过程中是否启用推理工作流,类似 Deepseek-R1 等模型所采用的方式。启用后,该功能允许模型访问外部知识,并借助思维链推理等技术逐步解决复杂问题。通过将问题分解为可处理的步骤,这种方法增强了模型提供准确回答的能力,从而在需要逻辑推理和多步思考的任务上表现更优。',
tavilyApiKeyTip:
'如果 API 密钥设置正确,它将利用 Tavily 进行网络搜索作为知识库的补充。',
tavilyApiKeyMessage: '请输入你的 Tavily API Key',
@@ -1161,7 +1161,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
avatarHidden: '隐藏头像',
locale: '语言',
tocEnhance: 'PageIndex',
- tocEnhanceTip: `解析文档时生成了目录信息(见General方法的'启用目录抽取'),让大模型返回和用户问题相关的目录项,从而利用目录项拿到相关chunk,对这些chunk在排序中进行加权。这种方法来源于模仿人类查询书本中知识的行为逻辑`,
+ tocEnhanceTip: `解析文档时生成了目录信息(见General方法的'启用目录抽取'),让大模型返回和用户问题相关的目录项,从而利用目录项拿到相关 Chunk,对这些 Chunk 在排序中进行加权。这种方法来源于模仿人类查询书本中知识的行为逻辑`,
batchDeleteSessions: '批量删除',
deleteSelectedConfirm: '删除选中的 {{count}} 个会话?',
showChunkMetadata: '显示块元数据',
@@ -1600,7 +1600,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
globalRules: '全局规则',
globalRulesPlaceholder: '请输入全局编译规则',
plan: 'Plan',
- planTip: '关闭:每个实体或概念对应一个 wiki 页面。开启:让 LLM 决定将某些实体/概念组合到单个 wiki 页面。',
+ planTip: '关闭:每个 Entity 或 Concept 对应一个 Wiki 页面。开启:让 LLM 决定将某些 Entity/Concept 组合到单个 Wiki 页面。',
raptorTreeSettings: 'RAPTOR 树设置',
summarizationPrompt: '摘要提示词',
maxToken: '最大 token 数',
@@ -1616,10 +1616,10 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
rechunkByTreeLeavesTip:
'将每个叶簇的源数据块合并为单个替换数据块。原始数据块保留但标记为不可检索。每个分组最多只能有一个树模板启用此功能。',
rechunkInput: '重新切分 Parser 输出',
- rechunkInputTip: '根据知识编译任务,由 LLM 决定 chunk 边界。',
- rechunkRules: 'Rechunk 规则',
+ rechunkInputTip: '根据知识编译任务,由 LLM 决定 Chunk 边界。',
+ rechunkRules: '重分片规则',
rechunkRulesPlaceholder:
- '描述此知识编译任务下,LLM 应如何合并和划分源 chunk。',
+ '描述此知识编译任务下,LLM 应如何合并和划分源 Chunk。',
jsonPreview: 'JSON 预览',
processFlow: '流程视图',
processFlowComingSoon: '流程视图预览即将到来',
@@ -1628,7 +1628,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
templateWizardConfiguration: '配置',
templateWizardConfigurationDescription: '管理模板的配置',
blueprints: '蓝图',
- blueprintsDescription: '选择所需要的 blueprints',
+ blueprintsDescription: '选择所需要的蓝图',
custom: '自定义',
templates: '模板',
addFieldModalTitle: '添加字段',
@@ -1805,15 +1805,15 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
'默认的tts模型会被用于在对话过程中请求语音生成时使用。如未显示可选模型,请根据 https://ragflow.io/docs/dev/supported_models 确认你的模型供应商是否提供该模型。',
embeddingModel: 'Embedding',
embeddingModelTip:
- '所有新创建的知识库使用的默认嵌入模型。如未显示可选模型,请检查你是否在使用 RAGFlow slim 版(不含嵌入模型);或根据 https://ragflow.io/docs/dev/supported_models 确认你的模型供应商是否提供该模型。',
+ '所有新创建的知识库使用的默认 Embedding 模型。如未显示可选模型,请检查你是否在使用 RAGFlow slim 版(不含 Embedding 模型);或根据 https://ragflow.io/docs/dev/supported_models 确认你的模型供应商是否提供该模型。',
img2txtModel: 'VLM',
img2txtModelTip:
- '所有新创建的知识库都将使用默认的 img2txt 模型。 它可以描述图片或视频。如未显示可选模型,请根据 https://ragflow.io/docs/dev/supported_models 确认你的模型供应商是否提供该模型。',
+ '所有新创建的知识库都将使用默认的 VLM 模型。 它可以描述图片或视频。如未显示可选模型,请根据 https://ragflow.io/docs/dev/supported_models 确认你的模型供应商是否提供该模型。',
sequence2txtModel: 'ASR',
sequence2txtModelTip:
'所有新创建的知识库都将使用默认的 ASR 模型。 使用此模型将语音翻译为相应的文本。如未显示可选模型,请根据 https://ragflow.io/docs/dev/supported_models 确认你的模型供应商是否提供该模型。',
rerankModel: 'Rerank',
- rerankModelTip: `默认的 reranking 模型。如未显示可选模型,请根据 https://ragflow.io/docs/dev/supported_models 确认你的模型供应商是否提供该模型。`,
+ rerankModelTip: `默认的 Rerank 模型。如未显示可选模型,请根据 https://ragflow.io/docs/dev/supported_models 确认你的模型供应商是否提供该模型。`,
workspace: '工作空间',
upgrade: '升级',
addLlmTitle: '添加 LLM',
@@ -1834,13 +1834,13 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
modelTypeMessage: '请输入模型类型!',
baseUrlNameMessage: '请输入基础 URL',
ollamaLink: '如何集成 {{name}}',
- FishAudioLink: '如何使用Fish Audio',
+ FishAudioLink: '如何使用 Fish Audio',
TencentCloudLink: '如何使用腾讯云语音识别',
volcModelNameMessage: '请输入模型名称!',
addEndpointID: '模型 ID',
endpointIDMessage: '请输入模型 ID',
- addArkApiKey: '火山 ARK_API_KEY',
- ArkApiKeyMessage: '请输入火山创建的ARK_API_KEY',
+ addArkApiKey: '火山模型 ARK_API_KEY',
+ ArkApiKeyMessage: '请输入火山模型创建的 ARK_API_KEY',
bedrockModelNameMessage: '请输入名称',
addBedrockEngineAK: 'ACCESS KEY',
bedrockAKMessage: '请输入 ACCESS KEY',
@@ -1882,12 +1882,12 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
yiyanAKMessage: '请输入 API Key',
addyiyanSK: '一言 SECRET KEY',
yiyanSKMessage: '请输入 SECRET KEY',
- FishAudioModelNameMessage: '请为你的TTS模型起名',
+ FishAudioModelNameMessage: '请为你的 TTS 模型起名',
addFishAudioAK: 'Fish Audio API Key',
FishAudioAKMessage: '请输入 API Key',
addFishAudioRefID: 'FishAudio Reference ID',
- FishAudioRefIDMessage: '请输入引用模型的ID(留空表示使用默认模型)',
- GoogleModelIDMessage: '请输入 model ID!',
+ FishAudioRefIDMessage: '请输入引用模型的 ID(留空表示使用默认模型)',
+ GoogleModelIDMessage: '请输入模型 ID!',
addGoogleProjectID: 'Project ID',
GoogleProjectIDMessage: '请输入 Project ID',
addGoogleServiceAccountKey:
@@ -1896,7 +1896,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
'请输入 Google Cloud Service Account Key in base64 format',
addGoogleRegion: 'Google Cloud 区域',
GoogleRegionMessage: '请输入 Google Cloud 区域',
- modelProvidersWarn: `请先在<b>模型提供商</b>中添加嵌入模型和LLM,然后在“设置默认模型”中设置它们。`,
+ modelProvidersWarn: `请先在<b>模型提供商</b>中添加 Embedding 模型和 LLM,然后在“设置默认模型”中设置它们。`,
apiVersion: 'API版本',
apiVersionMessage: '请输入API版本!',
add: '添加',
@@ -1927,21 +1927,21 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
mineru: {
modelNameRequired: '模型名称为必填项',
apiServerRequired: 'MinerU API服务器配置为必填项',
- serverUrlBackendLimit: '仅在backend 为vlm-http-client 时可填写',
- apiserver: 'MinerU API服务器配置',
- outputDir: 'MinerU输出目录路径',
- backend: 'MinerU处理后端类型',
- serverUrl: 'MinerU服务器URL地址',
+ serverUrlBackendLimit: '仅在 backend 为 vlm-http-client 时可填写',
+ apiserver: 'MinerU API 服务器配置',
+ outputDir: 'MinerU 输出目录路径',
+ backend: 'MinerU 处理后端类型',
+ serverUrl: 'MinerU 服务器 URL 地址',
deleteOutput: '处理完成后删除输出文件',
selectBackend: '选择处理后端',
backendOptions: {
pipeline: '标准流水线处理',
- vlmTransformers: '基于Transformers的视觉语言模型',
- vlmVllmEngine: '基于vLLM引擎的视觉语言模型',
- vlmHttpClient: '通过HTTP客户端连接的视觉语言模型',
- vlmMlxEngine: '基于MLX引擎的视觉语言模型',
- vlmVllmAsyncEngine: '基于vLLM异步引擎的视觉语言模型(实验性)',
- vlmLmdeployEngine: '基于LMDeploy引擎的视觉语言模型(实验性)',
+ vlmTransformers: '基于 Transformers 的视觉语言模型',
+ vlmVllmEngine: '基于 vLLM 引擎的视觉语言模型',
+ vlmHttpClient: '通过 HTTP 客户端连接的视觉语言模型',
+ vlmMlxEngine: '基于 MLX 引擎的视觉语言模型',
+ vlmVllmAsyncEngine: '基于 vLLM 异步引擎的视觉语言模型(实验性)',
+ vlmLmdeployEngine: '基于 LMDeploy 引擎的视觉语言模型(实验性)',
},
},
somark: {
@@ -2013,7 +2013,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
chat: 'Chat',
embedding: 'Embedding',
rerank: 'Rerank',
- sequence2text: 'sequence2text',
+ sequence2text: 'ASR',
tts: 'TTS',
image2text: 'VLM',
ocr: 'OCR',
@@ -2030,30 +2030,30 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
builtinTemplates: '模板',
},
datasetSkill: {
- folders: '技能',
- empty: '暂无技能',
- selectFolder: '选择一个技能以查看详情',
- currentFolder: '技能',
+ folders: 'Skills',
+ empty: 'No Skills Found',
+ selectFolder: '选择一个 Skill 以查看详情',
+ currentFolder: 'Skills',
noContent: '无内容',
- deleteAllTitle: '删除全部技能',
- deleteAllDescription: '确定要删除全部技能吗?此操作无法撤销。',
- deleteSkillTitle: '删除技能',
- deleteSkillDescription: '确定要删除该技能吗?',
+ deleteAllTitle: '删除全部 Skills',
+ deleteAllDescription: '确定要删除全部 Skills 吗?此操作无法撤销。',
+ deleteSkillTitle: '删除 Skill',
+ deleteSkillDescription: '确定要删除该 Skill 吗?',
},
datasetNav: {
- title: '目录树',
+ title: 'PageIndex',
empty: '暂无导航节点',
loading: '加载中...',
selectNode: '选择子节点以查看详情',
noDescription: '暂无描述',
description: '描述',
- keywords: '关键词',
- entities: '实体',
- graphContent: '完整图谱内容',
+ keywords: 'Keyword',
+ entities: 'Entity',
+ graphContent: '完整 Graph 内容',
docCount: '{{count}} 个文档',
- deleteAllTitle: '删除目录树',
- deleteAllDescription: '确定要删除整个目录树吗?此操作无法撤销。',
- deleteNodeTitle: '删除节点',
+ deleteAllTitle: '删除 PageIndex',
+ deleteAllDescription: '确定要删除整个 PageIndex 吗吗?此操作无法撤销。',
+ deleteNodeTitle: '删除 PageIndex',
deleteNodeDescription: '确定要删除该节点及其子节点吗?',
},
message: {
@@ -2116,7 +2116,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
s3: 'S3 上传',
preview: '预览',
fileError: '文件错误',
- uploadLimit: '文件大小不能超过10M,文件总数不超过128个',
+ uploadLimit: '文件大小不能超过 10M,文件总数不超过 128 个',
destinationFolder: '目标文件夹',
pleaseUploadAtLeastOneFile: '请上传至少一个文件',
},
@@ -2149,7 +2149,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
适用场景:具有流动性的、内容相关联的文档——如书籍、手册、报告和文章——其中相邻段落应保持在一起以维持叙述连贯性。`,
enableMultiColumn: '启用多栏',
enableMultiColumnTip:
- '检测并解析多栏页面布局以保持正确的阅读顺序。对于具有双栏或报纸式布局的PDF或文档,请开启此功能。',
+ '检测并解析多栏页面布局以保持正确的阅读顺序。对于具有双栏或报纸式布局的 PDF 或文档,请开启此功能。',
removeToc: '移除原始目录',
removeTocTip:
'移除原始PDF中包含的目录,这样它就不会被解析为常规内容或作为检索块。',
@@ -2183,7 +2183,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
seconds: '秒',
ref: '引用变量',
stockCode: '股票代码',
- apiKeyPlaceholder: '您的API密钥(从https://serpapi.com获取)',
+ apiKeyPlaceholder: '您的 API 密钥(从 https://serpapi.com 获取)',
flowStart: '开始',
flowNum: '编号',
test: '测试',
@@ -2193,7 +2193,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
advanced: '高级',
general: '通用',
searchDepth: '深度搜索',
- tavilyTopic: 'Tavily话题',
+ tavilyTopic: 'Tavily 话题',
maxResults: '最大结果数',
includeAnswer: '包含答案',
includeRawContent: '包含原始内容',
@@ -2212,7 +2212,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
queritSiteExcludeTip: '排除来自指定域名或网站的结果。',
queritTimeRange: '时间范围',
queritTimeRangeTip:
- '可填写 d7、w2、m1、y1 等相对时间,或 2026-01-01to2026-01-31 形式的绝对日期范围。',
+ '可填写 d7、w2、m1、y1 等相对时间,或 2026-01-01 to 2026-01-31 形式的绝对日期范围。',
queritCountryInclude: '包含的国家',
queritCountryIncludeTip: '返回与指定国家相关的结果。',
queritLanguageInclude: '包含的语言',
@@ -2334,7 +2334,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
addMessage: '新增消息',
loop: '循环',
loopDescription:
- 'loop为当前组件循环次数上限,当循环次数超过loop的值时,说明组件不能完成当前任务,请重新优化agent',
+ 'loop 为当前组件循环次数上限,当循环次数超过 loop 的值时,说明组件不能完成当前任务,请重新优化 agent',
exitLoop: '退出循环',
exitLoopDescription: `等同于 "break"。此节点没有配置项。当循环体到达此节点时,循环终止。`,
loopVariables: '循环变量',
@@ -2343,7 +2343,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
yes: '是',
no: '否',
key: '键',
- componentId: '组件ID',
+ componentId: '组件 ID',
add: '新增',
operation: '操作',
run: '运行',
@@ -2352,13 +2352,13 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
beginDescription: '这是流程开始的地方',
answerDescription: `该组件用作机器人与人类之间的接口。它接收用户的输入并显示机器人的计算结果。`,
retrievalDescription: `此组件用于从知识库中检索相关信息。选择知识库。如果没有检索到任何内容,将返回“空响应”。`,
- generateDescription: `此组件用于调用LLM生成文本,请注意提示的设置。`,
+ generateDescription: `此组件用于调用 LLM 生成文本,请注意提示的设置。`,
categorizeDescription: `此组件用于对文本进行分类。请指定类别的名称、描述和示例。每个类别都指向不同的下游组件。`,
relevantDescription: `该组件用来判断upstream的输出是否与用户最新的问题相关,‘是’代表相关,‘否’代表不相关。`,
rewriteQuestionDescription: `此组件用于细化用户的提问。通常,当用户的原始提问无法从知识库中检索到相关信息时,此组件可帮助您将问题更改为更符合知识库表达方式的适当问题。`,
messageDescription:
'该组件用来返回工作流最后产生的数据内容和原先设置的文本内容。',
- keywordDescription: `该组件用于从用户的问题中提取关键词。Top N指定需要提取的关键词数量。`,
+ keywordDescription: `该组件用于从用户的问题中提取关键词。Top N 指定需要提取的关键词数量。`,
switchDescription: `该组件用于根据前面组件的输出评估条件,并相应地引导执行流程。通过定义各种情况并指定操作,或在不满足条件时采取默认操作,实现复杂的分支逻辑。`,
wikipediaDescription: `此组件用于从 https://www.wikipedia.org/ 获取搜索结果。通常,它作为知识库的补充。Top N 指定您需要调整的搜索结果数量。`,
promptText: `请总结以下段落。注意数字,不要胡编乱造。段落如下:
@@ -2467,7 +2467,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
baiduFanyi: '百度翻译',
baiduFanyiDescription:
'该组件用于从 https://fanyi.baidu.com/ 获取翻译。通常,它提供更专业的翻译结果',
- appid: 'App id',
+ appid: 'App ID',
secretKey: '秘钥',
domain: '领域',
transType: '翻译类型',
@@ -2580,7 +2580,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
publish: 'API',
exeSQL: '执行 SQL',
exeSQLDescription:
- '该组件通过SQL语句从相应的关系数据库中查询结果。支持MySQL,PostgreSQL,MariaDB。',
+ '该组件通过SQL语句从相应的关系数据库中查询结果。支持 MySQL,PostgreSQL,MariaDB。',
dbType: '数据库类型',
database: '数据库',
username: '用户名',
@@ -2635,7 +2635,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
yahooFinance: '雅虎财经',
yahooFinanceDescription: '该组件根据提供的股票代码查询有关公司的信息。',
crawler: '网页爬虫',
- crawlerDescription: '该组件可用于从指定url爬取html源码。',
+ crawlerDescription: '该组件可用于从指定 URL 爬取 HTML 源码。',
proxy: '代理',
crawlerResultOptions: {
html: 'Html',
@@ -2739,20 +2739,20 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
testRun: '试运行',
template: '模板转换',
templateDescription:
- '该组件用于排版各种组件的输出。1、支持Jinja2模板,会先将输入转为对象后进行模版渲染2、同时保留原使用{参数}字符串替换的方式',
+ '该组件用于排版各种组件的输出。1、支持 Jinja2 模板,会先将输入转为对象后进行模版渲染2、同时保留原使用{参数}字符串替换的方式',
emailComponent: '邮件',
emailDescription: '发送邮件到指定邮箱',
- smtpServer: 'SMTP服务器地址',
- smtpPort: 'SMTP端口号',
+ smtpServer: 'SMTP 服务器地址',
+ smtpPort: 'SMTP 端口号',
senderEmail: '发件邮箱地址(From)',
- smtpUsername: 'SMTP登录用户名',
- authCode: 'SMTP登录密码/授权码',
+ smtpUsername: 'SMTP 登录用户名',
+ authCode: 'SMTP 登录密码/授权码',
senderName: '发件人显示名称',
toEmail: '收件人邮箱',
ccEmail: '抄送邮箱',
emailSubject: '邮件主题',
emailContent: '邮件内容',
- smtpServerRequired: '请输入SMTP服务器地址',
+ smtpServerRequired: '请输入 SMTP 服务器地址',
senderEmailRequired: '请输入发件人邮箱',
authCodeRequired: '请输入授权码',
toEmailRequired: '请输入收件人邮箱',
@@ -2765,7 +2765,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
ccEmailTip: 'cc_email: 抄送邮箱(可选)',
subjectTip: 'subject: 邮件主题(可选)',
contentTip: 'content: 邮件内容(可选)',
- jsonUploadTypeErrorMessage: '请上传json文件',
+ jsonUploadTypeErrorMessage: '请上传 json 文件',
jsonUploadContentErrorMessage: 'json 文件错误',
iteration: '迭代',
iterationDescription: `该组件负责迭代生成新的内容,对列表对象执行多次步骤直至输出所有结果。`,
@@ -2910,9 +2910,9 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
parser: '解析器',
parserDescription: '从文件中提取原始文本和结构以供下游处理。',
tokenizer: '分词器',
- tokenizerRequired: '请先添加Tokenizer节点',
+ tokenizerRequired: '请先添加 Tokenizer 节点',
tokenizerDescription:
- '根据所选的搜索方法,将文本转换为所需的数据结构(例如,用于嵌入搜索的向量嵌入)。',
+ '根据所选的搜索方法,将文本转换为所需的数据结构(例如,用于嵌入搜索的 Embedding)。',
tokenChunker: '按 Token 分块',
tokenChunkerDescription:
'根据分词器长度将文本拆分成块,并带有可选的分隔符和重叠。',
@@ -2952,7 +2952,7 @@ NER:使用 spaCy NER 和基于规则的关键词提取来抽取实体和关系
searchMethod: '搜索方法',
searchMethodTip: `决定该知识库启用的搜索方式,可选择全文、向量,或两者兼有。
Tokenizer 会根据所选方式将内容存储为对应的数据结构。`,
- filenameEmbdWeight: '文件名嵌入权重',
+ filenameEmbdWeight: '文件名 Embedding 权重',
parserMethod: '解析方法',
tableResultType: '表格返回形式',
markdownImageResponseType: '图片返回形式',
@@ -3001,7 +3001,7 @@ Tokenizer 会根据所选方式将内容存储为对应的数据结构。`,
4. 简洁性:专注于最重要的思想,省略细节和多余的内容。`,
metadata: `从给定内容中提取重要的结构化信息。仅输出有效的 JSON 字符串,不包含任何附加文本。如果未找到重要的结构化信息,则输出一个空的 JSON 对象:{}。
-重要的结构化信息可能包括:姓名、日期、地点、事件、关键事实、数字数据或其他可提取实体。`,
+重要的结构化信息可能包括:姓名、日期、地点、事件、关键事实、数字数据或其他可提取 Entities。`,
},
user: {
keywords: `文本内容
@@ -3014,7 +3014,7 @@ Tokenizer 会根据所选方式将内容存储为对应的数据结构。`,
},
},
cancel: '取消',
- filenameEmbeddingWeight: '文件名嵌入权重',
+ filenameEmbeddingWeight: '文件名 Embedding 权重',
switchPromptMessage: '提示词将发生变化,请确认是否放弃已有提示词?',
structuredOutput: {
configuration: '配置',
@@ -3098,7 +3098,7 @@ Tokenizer 会根据所选方式将内容存储为对应的数据结构。`,
logs: '日志',
agentStatus: '智能体状态:',
},
- saveToMemory: '保存到Memory',
+ saveToMemory: '保存到 Memory',
retrievalFrom: '检索来源',
},
footer: {
@@ -3155,11 +3155,11 @@ Tokenizer 会根据所选方式将内容存储为对应的数据结构。`,
avatar: '头像',
description: '描述',
datasets: '知识库',
- rerankModel: 'rerank 模型',
+ rerankModel: 'Rerank 模型',
AISummary: 'AI 总结',
enableWebSearch: '启用网页搜索',
enableRelatedSearch: '启用相关搜索',
- showQueryMindmap: '显示查询思维导图',
+ showQueryMindmap: '显示查询 Mindmap',
embedApp: '嵌入网站',
relatedSearch: '相关搜索',
descriptionValue: '你是一位智能助手。',
@@ -3212,7 +3212,7 @@ Tokenizer 会根据所选方式将内容存储为对应的数据结构。`,
<p>要保留这些更改,请点击“重新运行”以重新运行当前阶段。</p> `,
changeStepModalConfirmText: '继续切换',
changeStepModalCancelText: '取消',
- unlinkPipelineModalTitle: '解绑pipeline',
+ unlinkPipelineModalTitle: '解绑 pipeline',
unlinkPipelineModalContent: `
<p>一旦取消链接,该知识库将不再连接到当前数据管道。</p>
<p>正在解析的文件将继续解析,直到完成。</p>
@@ -3261,8 +3261,8 @@ Tokenizer 会根据所选方式将内容存储为对应的数据结构。`,
notFoundSearch: '未查询到搜索应用',
memoryTitle: '尚未创建记忆',
notFoundMemory: '未查询到记忆',
- skillsTitle: '尚未创建技能空间',
- notFoundSkills: '未查询到技能空间',
+ skillsTitle: '尚未创建 Skills 空间',
+ notFoundSkills: '未查询到 Skills 空间',
addNow: '立即添加',
},