跳转至

Dify查询知识库工作流的搭建

本节目标

1、理解知识库与RAG的核心概念

2、掌握 Dify 知识库的完整搭建流程

3、理解影响RAG效果的关键因素

4、掌握基于知识库的工作流搭建

一 知识库，RAG解释

1、什么是知识库

知识库就是一堆结构化或非结构化的内容集合：

  • 文档（产品说明、制度、FAQ（高频问答对））
  • 数据（说明性内容）
  • 网页内容
  • PDF、Word 等资料

AI在回答问题时，不是“瞎编”，而是：先去知识库里找 → 再整理成答案

2、什么是RAG

RAG（Retrieval Augmented Generation）

检索增强生成 = 先查资料，再生成答案

检索（Retrieval）：从知识库中找到相关内容

增强（Augmented）：把这些内容加入提示词

生成（Generation）：由大模型整理并输出答案

img

3、在 Dify 里的作用

在 Dify 中，知识库的核心作用是：

给 AI 提供“企业私有数据能力”

实现流程其实就是一套经典 RAG：

用户提问
 → 去知识库做向量检索
 → 找到最相关内容
 → 交给大模型整理
 → 返回答案

4、画图说明

img

二 文档语料介绍

本节课，我们使用产品说明文档，作为文档语料，产品说明文档为pdf格式。

img

我们可以打开查看具体产品信息：

img

三 Dify如何搭建知识库

1、点击创建知识库

如图所示点击创建知识库

img

2、创建数据源

点击选择文件：

img

选择文件后，点击下一步

img

3、文本分段与清洗

（1）分段设置

img

我们可以选择通用分段或父子分段。

1）通用分段（最简单）

理解：把一大段文章，平均切成一小块一小块

举个例子：

一篇文章：10000字

通用分段就是：每1000字切一段，每段之间稍微“重叠一点”（比如50字）

2）父子分段（进阶玩法）

理解：大块用来“理解上下文”，小块用来“精准查找”

举个例子：

一篇文档：先切 大块（父段）：1000字，再切 小块（子段）：200字

检索时发生什么？

当用户提问时：

1、先用子段（小块）去检索（更精准） 2、找到相关内容 3、再把对应的父段（大块）拿出来 4、一起给大模型

为什么这么设计？

1、小块 → 更容易“匹配问题”

2、大块 → 信息更完整（不丢上下文）

这里我们采用父子分块。

（2）索引方式

img

1）高质量（推荐）

用AI理解内容再匹配：准确，稍微费点token

2）经济模式

用关键词匹配：便宜、快，不智能、容易漏。

这里我们选择高质量模式。

（3）Embedding模型

img

embedding模型作用：把文本变成“向量”，让AI能计算相似度

这里我们选择通义的text-embedding-v4模型

（4）检索设置

img

img

img

1）检索设置

控制AI怎么找资料 + 找多少 + 多精准

2）向量检索

按“语义”找（最常用）

能理解意思

RAG核心方式

3）全文检索

按“关键词”找

快、简单

但不智能

4）混合检索（推荐）

语义 + 关键词一起用

更稳、更准

这里，我们选择混合检索，参数设置如下：

img

4、处理并完成

进行处理并完成，会自动进行嵌入处理，点击：前往文档。

img

等待完成后，点击修改，可以修改知识库名称：

img

img

5、召回测试

img

四 Dify工作流使用知识库

我们回到刚才的工作流，我们需要搭建一个RAG的工作流，如图所示：

img

1、知识检索

知识检索，就是根据用户输入，检索知识库中的内容。

img

2、大模型节点设置

可以根据大模型节点回复用户问题，如图所示进行设置：

img

系统提示词：

你是一个严谨、可靠的智能问答助手，请严格依据用户提供的信息进行回答。

【核心规则】
1. 只能基于用户提供的信息进行回答，禁止使用任何外部知识
2. 不允许编造、猜测或补全未提供的信息
3. 如果信息不足或无法确定答案，必须明确说明：
   “根据已提供的信息无法回答该问题”
4. 所有结论必须可以在提供的信息中找到依据

【回答流程】
1. 先判断信息是否足够回答问题
2. 若足够：
   - 提取关键信息
   - 进行归纳总结
3. 若不足：
   - 直接说明无法回答
   - 不进行任何推测

【输出要求】
- 使用中文回答
- 结构清晰，优先使用分点说明（如1、2、3）
- 表达简洁、准确，避免冗余
- 不输出与问题无关的内容

【严格限制】
- 禁止输出“我认为 / 可能 / 应该 / 大概”等不确定表达
- 禁止引入上下文之外的信息
- 禁止扩展性发挥（如额外建议、延伸知识等）

用户提示词：

【上下文】
{{#context#}}

【用户问题】
{{#sys.query#}}

请基于上下文回答问题。

3、知识检索直接回复

设置知识检索直接回复：

img

五 测试知识库问答

我们可以通过预览测试知识库的问答。

img

六 总结

我们首先理解了知识库和RAG的本质：AI不是直接回答，而是先检索资料，再生成答案。

随后，我们基于 Dify 实现了完整流程：

  • 搭建知识库（数据导入 + 分段 + 嵌入）
  • 配置检索策略（向量 / 混合检索 + Rerank）
  • 构建RAG工作流（知识检索 + 大模型）
  • 完成问答测试验证效果