1. 为什么你需要一个零代码AI应用平台如果你是一位业务分析师、产品经理或者任何一位希望用AI解决实际业务问题但又不想被复杂的代码和算法劝退的“非技术派”那么Dify可能就是为你量身打造的工具。我见过太多团队他们有一个绝佳的AI应用点子比如一个能自动分析周报并生成总结的助手或者一个能回答内部产品文档问题的智能客服。但想法一落地就卡在了第一步谁来开发是花几个月招聘一个AI工程师团队还是让现有的开发人员从头学习大模型技术栈往往项目就这么搁浅了。Dify的出现就是为了解决这个“最后一公里”的问题。你可以把它理解为一个AI应用的生产线。过去你要造一辆车需要自己炼钢、造发动机、设计底盘。而现在Dify把发动机大模型、底盘工作流引擎、轮胎工具集成都给你准备好了还提供了一个可视化的组装车间。你要做的就是像搭乐高一样把这些模块按照你的业务逻辑拼接起来一辆能跑的车就造好了。它开源、免费并且把那些让开发者头疼的底层技术比如模型调用、向量数据库管理、提示词工程都封装成了简单的按钮和拖拽操作。我自己的团队就用它快速搭建过一个内部使用的“市场情报分析助手”。我们每天会收到大量的行业报告、新闻稿和竞品动态PDF。以前需要人工阅读、摘录、总结现在只需要把这些文档扔进Dify构建的知识库里新同事或者产品经理随时可以像聊天一样提问“我们竞争对手A公司上周发布了什么新产品核心功能是什么” 助手不仅能从几十份报告中精准找到相关信息还能结合模型的理解能力生成一份简洁的摘要。整个过程我们没有写一行代码。所以Dify的核心价值在于“降本”和“提速”。它降低了AI应用的技术门槛让业务专家能直接参与构建它极大地缩短了从想法到可运行原型的周期从以“月”为单位缩短到以“天”甚至“小时”为单位。接下来我们就从一个具体的实战项目出发看看如何零代码构建一个功能完整的智能助手。2. 实战目标打造你的第一个智能业务助手为了让大家有最直观的感受我们设定一个非常具体且常见的业务场景。假设你是某公司的产品运营每天需要处理大量来自销售、客服的反馈邮件和会议纪要文档。你的核心需求有三个快速查询当有人问“上个季度用户关于‘支付失败’的反馈主要有哪些”你能立刻从海量文档中找到相关记录。自动分析拿到一份新的市场调研报告你希望助手能自动提炼核心观点、竞争格局和潜在机会。执行任务根据分析结果你希望助手能帮你生成一份简要的邮件通知或者创建一个简单的数据图表分享给相关同事。这正好对应了Dify最强大的三个功能RAG知识库、智能体Agent推理和工作流编排。我们将分步实现最终得到一个集信息检索、内容分析和任务执行为一体的智能业务助手。在开始动手前你需要先拥有一个Dify环境。2.1 快速获取你的Dify工作台云服务 vs 本地部署Dify提供了两种使用方式对于绝大多数想快速上手的同学我强烈推荐直接从云服务开始。云服务零配置5分钟上手 这是最快捷的路径。直接访问 Dify Cloud 官网用你的GitHub或Google账号登录即可。新用户会获得一个包含200次GPT-4调用的免费额度完全足够我们完成这个实战项目。登录后你会进入“工作室”界面这就是你的AI应用工厂。云服务的所有功能包括模型接入、知识库构建、工作流设计都是开箱即用的你唯一需要准备的就是一个OpenAI的API Key或其他支持的模型API Key用于驱动背后的AI大脑。本地部署适合对数据隐私有更高要求的团队 如果你的文档涉及敏感信息或者希望完全掌控服务可以选择在本地服务器或自有云主机上部署Dify的开源社区版。部署过程主要通过Docker Compose完成算是相当友好。你需要先确保机器上安装了Docker和Git。然后打开终端依次执行以下命令# 1. 克隆代码仓库 git clone https://github.com/langgenius/dify.git # 2. 进入docker配置目录 cd dify/docker # 3. 复制环境配置文件 cp .env.example .env # 4. 启动所有服务这步会下载镜像需要一点时间 docker compose up -d执行完毕后用docker compose ps命令检查一下如果看到api、worker、web等核心服务状态都是“Up”就说明部署成功了。最后在浏览器打开http://你的服务器IP就能看到注册页面。本地部署的优势是数据完全私有并且你可以集成任何开源模型比如通过Ollama在本机运行的Llama 3、Qwen等实现完全离线的AI应用。无论选择哪种方式完成初始化后我们第一件要做的事就是“连接大脑”——配置AI模型。2.2 连接AI大脑模型配置详解模型是AI应用的动力源。Dify像一个万能适配器支持连接上百种模型。在工作室右上角点击头像进入「设置」-「模型供应商」这里就是配置中心。系统推理模型这是主模型负责对话、分析和生成任务。对于我们的实战我建议先从OpenAI的模型开始比如gpt-4o-mini它在性价比和性能上取得了很好的平衡。点击OpenAI区块的“设置”填入你的API Key并保存。指示灯变绿即表示连接成功。点击“27个模型”按钮你可以在下拉菜单中切换使用不同的GPT模型。嵌入模型这是RAG知识库的“记忆核心”。它负责将你上传的文档和用户的问题转换成计算机能理解的“向量”一串有意义的数字。检索时就是通过计算向量之间的相似度来找到最相关的文本片段。Dify默认会使用OpenAI的text-embedding-3-small效果很好且价格低廉。重排序模型这是一个高级优化选项。想象一下向量检索就像用渔网捞鱼一网下去可能捞到很多条相关文档。重排序模型的作用就是用一个更精细的筛子把其中最肥美的那几条最相关的几条精准地挑出来重新排序后再交给大模型。这能显著提升答案的准确性。Cohere提供了优秀的重排序服务如果你有它的API Key可以配置上。对于想玩转开源模型的朋友Dify也完美支持。以本地运行的Ollama为例你需要在「模型供应商」里选择“Ollama”。关键配置在于“基础URL”如果Dify和Ollama都运行在你的电脑上通常需要填写你电脑在局域网内的IP地址例如http://192.168.1.100:11434而不是localhost。这是因为Dify运行在Docker容器内localhost指向的是容器自身。模型名称就填你在Ollama里拉取并运行的模型名比如llama3.1:8b。配置成功后你就可以在应用里使用这个免费的本地模型了。3. 构建企业知识库让AI读懂你的私有文档模型准备好后我们开始解决第一个核心需求快速查询。这依赖于RAG技术。简单来说RAG让大模型在回答问题时不是仅凭自己训练时学到的“旧知识”凭空想象而是能先去你指定的“资料库”即知识库里查找相关材料然后结合这些材料来生成答案。这极大地减少了“幻觉”胡编乱造并让AI掌握了你的私有知识。3.1 创建与导入把你的文档“喂”给AI在Dify左侧导航栏找到「知识库」点击「创建知识库」。给你的知识库起个名字比如“产品反馈与市场文档”。接下来是关键的一步导入文档。Dify支持多种格式TXT、Markdown、PDF、Word、PPT、Excel甚至网页链接。对于我们的场景你可以把积累的邮件导出为PDF或TXT把会议纪要的Word文档还有收集的竞品分析PDF统统拖进上传区。这里有个实测下来的小技巧如果文档是扫描版PDF图片格式Dify目前无法直接提取其中文字你需要先用OCR工具比如各种在线转换工具将其转为可编辑的PDF或Word再上传。上传后点击「下一步」进入处理设置界面。这里你需要关注两个参数分段处理Dify会自动将长文档切成一个个语义连贯的“片段”。你可以设置片段的最大长度如500字符和相邻片段的重叠长度如50字符。重叠是为了避免一个完整的句子或概念被生生切断保证检索的上下文完整性。索引方式默认的“高质量”模式会同时使用关键词检索和向量检索效果最好。“低成本”模式仅用关键词检索速度快但语义理解能力弱。对于业务文档分析务必选择“高质量”。点击「保存并处理」Dify就会在后台开始工作提取文本、分段、调用嵌入模型为每一段生成向量并存入向量数据库。这个过程取决于文档数量和大小可能需要几分钟。3.2 检索优化如何让AI找得更准知识库建好后不是一劳永逸的。检索质量直接决定最终答案的准确性。我踩过的一个“坑”是早期上传了一些格式混乱、包含大量无关文本如页眉页脚、广告的文档导致检索结果总是掺杂噪音。优化点一文档预处理。在上传前尽量对文档做一次清洗。比如从网页复制内容时先粘贴到纯文本编辑器如记事本去掉格式再保存为文档。对于PDF如果可能提取出核心正文部分。优化点二善用“命中方式”。在创建应用并关联知识库时你可以在知识库配置中看到“命中方式”选项。这里有三个关键设置向量检索根据语义相似度查找能理解“用户反馈支付有问题”和文档中“客户抱怨无法完成付款”是同一回事。这是核心。全文检索基于关键词匹配适合精确查找特定术语、产品型号或代码。混合检索同时使用上述两种方法然后对结果进行合并与去重。我强烈推荐在正式应用中使用这个模式它结合了语义的灵活性和关键词的精确性召回效果最稳。优化点三调整“相关度阈值”。这个值通常介于0到1之间决定了片段与问题需要多相似才会被采纳。阈值太高可能漏掉一些相关但表述不同的内容阈值太低又会引入不相关的噪音。没有绝对的最优值你需要通过测试对话来调整。可以从默认值如0.6开始如果发现AI经常回答“根据知识库我找不到相关信息”就适当调低如果发现它引用了不相关的内容就调高。4. 从聊天助手到智能体赋予AI思考和行动的能力有了知识库我们已经可以创建一个能回答文档问题的聊天机器人了。但这还不够我们的助手还需要能“分析”和“执行任务”。这就需要请出Dify的**智能体Agent**功能。智能体不是简单的问答机器它是一个具备规划、推理和工具调用能力的AI系统。4.1 智能体 vs 简单聊天核心差异一个简单的聊天助手工作流程是线性的用户提问 - 检索知识如果有- 模型生成回答。而智能体引入了“思考循环”。当它接到一个复杂任务时比如“分析一下这份新市场报告并给销售团队写一封摘要邮件”它会这样做规划拆解任务。“我需要先阅读报告总结核心发现然后根据销售团队的特点起草邮件。”行动调用工具。为了“阅读报告”它去知识库检索为了“起草邮件”它调用文本生成能力。观察检查工具返回的结果是否满足要求。循环根据观察决定下一步是继续调用其他工具还是整合信息生成最终答案。这个“规划-行动-观察”的循环就是经典的ReAct框架。Dify的智能体同时支持更高效的函数调用模式如果模型支持如GPT-4和通用的ReAct模式。4.2 配置你的第一个智能体让我们在工作室「创建空白应用」这次选择「智能体」类型。命名为“智能业务分析师”。第一步编写核心指令提示词。这是智能体的“灵魂”决定了它的性格和能力范围。不要只写“你是一个助手”要写得具体、有约束力。例如“你是一名资深的业务分析师助手擅长处理内部文档和市场信息。你的核心职责是1. 准确回答基于已上传知识库产品反馈与市场文档的任何问题并引用来源。2. 当用户上传新文档或提出分析需求时你能总结核心要点、识别关键趋势和潜在风险。3. 在需要时你可以调用工具来生成图表或起草邮件。请逐步思考确保分析严谨。如果信息不足请主动提问澄清。”第二步添加工具赋予它“手脚”。这是智能体强大的关键。在「工具」选项卡点击「添加工具」。Dify内置了超过50种工具我们添加几个最实用的知识库检索工具关联我们之前创建的“产品反馈与市场文档”知识库。这是它的“记忆查询”工具。文本生成工具这其实是通过LLM节点实现的但我们可以将其视为一个“撰写”工具。图表生成工具Dify集成了类似ChartCube的图表生成能力你可以配置它根据提供的数据比如“用户反馈分类统计支付问题35%登录问题20%...”生成柱状图或饼图。HTTP请求工具自定义这是大杀器。你可以用它连接任何外部API。比如连接公司内部的邮件发送接口。你需要提供API的Endpoint、请求方法GET/POST、Headers和参数格式。这样智能体分析完报告后就能直接调用这个工具把摘要邮件发送出去。第三步设置推理模式与限制。在「智能体设置」中为支持函数调用的模型如GPT-4选择“函数调用”效率更高。还可以设置“最大迭代次数”防止智能体在一个问题上陷入死循环一般设为5-10次足够。配置完成后点击右上角的「发布」你就可以在预览窗测试了。试着对它说“我刚上传了一份名为‘Q3市场竞品分析.pdf’的文档到知识库请总结一下竞争对手B公司在产品功能上的主要动向并评估对我们产品的威胁等级。” 观察它的思考过程它会先调用知识库工具检索新文档然后进行分析最后给出结构化的回答。5. 可视化工作流编排构建复杂业务自动化流水线智能体已经很强大了但对于一些固定流程、需要严格步骤的业务场景纯靠智能体的“自由发挥”可能不够稳定。比如每周一的固定任务拉取上周的所有用户反馈邮件自动分类功能建议、Bug投诉、咨询生成分类统计图表并给产品和技术团队负责人发送不同的摘要报告。这种场景就需要工作流来实现了。工作流把整个任务流程可视化、固定化每个步骤节点做什么都清清楚楚就像工厂的流水线。这提高了复杂任务的可靠性和可解释性。5.1 设计一个周报自动化工作流我们在工作室「创建空白应用」选择「工作流」类型。进入可视化画布我们从左侧拖拽节点来构建流程。节点1开始。设置输入变量比如trigger_time手动触发或未来可设置为定时触发。节点2知识检索。配置它去我们的“产品反馈与市场文档”知识库中检索“最近7天”的文档这里假设你按周导入邮件。检索结果会输出为一个文本列表。节点3LLM节点分类与总结。将检索到的所有反馈文本作为输入给它一个清晰的提示词“你是一名产品运营分析师。请将以下用户反馈列表进行分类类别为[功能建议]、[Bug投诉]、[使用咨询]、[其他]。并为每一类反馈总结出3个最具代表性的核心观点。最后输出一个JSON格式的结果包含category类别、summary摘要、quote引用原文。”节点4IF/ELSE节点。这里我们可以根据分类结果做分支判断。例如如果Bug投诉类别的反馈数量超过一个阈值比如10条则进入一个“高优先级警报”分支。节点5代码节点在高优先级分支。我们可以用一小段Python代码将Bug反馈的具体内容整理成表格或者计算一些简单的统计指标。节点6HTTP请求节点在两个分支。在常规分支调用邮件API将分类总结发送给产品经理。在高优先级警报分支调用邮件API或即时通讯工具如企业微信、钉钉的Webhook将紧急Bug列表直接发送给技术负责人。节点7答案/结束节点。将工作流执行的成功状态或关键信息输出。通过这样一条可视化的工作流我们就把一个原本需要人工数小时完成的重复性工作变成了一个点一下按钮就能全自动完成的流程。而且因为流程是固定的每次输出的格式和质量都非常稳定。5.2 工作流与智能体的结合你可能会问有了工作流还要智能体干嘛其实它们是最好的搭档。我常用的模式是用工作流处理标准化、流程化的“硬任务”用智能体处理灵活、需要临场发挥的“软任务”。例如你可以构建一个主工作流其中包含一个“智能体”节点。当工作流执行到某个环节遇到无法用固定规则处理的问题比如用户反馈了一段模糊不清的描述就将这个问题抛给智能体节点。智能体利用它的推理和工具调用能力去分析、追问、解决然后将结果返回给工作流继续后续的步骤。这样既保证了核心流程的稳定性又保留了处理复杂情况的灵活性。6. 发布、集成与持续优化应用构建好后点击「发布」它就从一个设计稿变成了一个可用的服务。Dify为每个发布的应用提供了多种使用方式方式一直接使用Web App。Dify会生成一个独立的、界面友好的聊天网页。你可以把这个链接分享给团队成员他们打开就能用。这是最快的内部分享方式。方式二API集成。这是将AI能力嵌入到你现有业务系统的关键。在应用的「访问方式」里你能找到API Endpoint和密钥。你可以用任何编程语言Python, JavaScript等调用它。比如把你的客服系统后台稍作改造当客服输入用户问题时后台悄悄调用这个Dify应用的API把智能助手生成的参考回答实时推送给客服人员。方式三嵌入到网站或产品中。Dify提供了JavaScript SDK可以让你把整个聊天窗口像插件一样嵌入到公司内网、产品帮助中心等地方。应用上线后运维并没有结束。Dify的LLMOps功能让你能持续优化它。在「日志与标注」页面你可以看到每一次用户对话的详细记录用户问了什么AI回答了什么检索了哪些文档调用了哪些工具。对于回答不好的案例你可以直接在界面上进行“标注”——给出一个更好的回答。这些标注数据会成为宝贵的优化素材你可以用它们来微调提示词或者作为后续模型训练的优质数据。这就是一个完整的“构建-部署-监控-优化”的闭环。从我自己的经验来看从零开始用Dify搭建一个可用的智能应用快则一两个小时慢则一两天。它真正打破了AI应用开发的神秘感让业务驱动、快速迭代成为了可能。最大的挑战往往不在于工具的使用而在于如何清晰地定义你的业务场景并把它们拆解成AI能够理解和执行的步骤。一旦跨过这一步你会发现用AI赋能业务从未如此简单直接。
Dify 零代码 AI 应用实战：从 RAG 知识库到智能体工作流
发布时间：2026/7/4 13:55:42
1. 为什么你需要一个零代码AI应用平台如果你是一位业务分析师、产品经理或者任何一位希望用AI解决实际业务问题但又不想被复杂的代码和算法劝退的“非技术派”那么Dify可能就是为你量身打造的工具。我见过太多团队他们有一个绝佳的AI应用点子比如一个能自动分析周报并生成总结的助手或者一个能回答内部产品文档问题的智能客服。但想法一落地就卡在了第一步谁来开发是花几个月招聘一个AI工程师团队还是让现有的开发人员从头学习大模型技术栈往往项目就这么搁浅了。Dify的出现就是为了解决这个“最后一公里”的问题。你可以把它理解为一个AI应用的生产线。过去你要造一辆车需要自己炼钢、造发动机、设计底盘。而现在Dify把发动机大模型、底盘工作流引擎、轮胎工具集成都给你准备好了还提供了一个可视化的组装车间。你要做的就是像搭乐高一样把这些模块按照你的业务逻辑拼接起来一辆能跑的车就造好了。它开源、免费并且把那些让开发者头疼的底层技术比如模型调用、向量数据库管理、提示词工程都封装成了简单的按钮和拖拽操作。我自己的团队就用它快速搭建过一个内部使用的“市场情报分析助手”。我们每天会收到大量的行业报告、新闻稿和竞品动态PDF。以前需要人工阅读、摘录、总结现在只需要把这些文档扔进Dify构建的知识库里新同事或者产品经理随时可以像聊天一样提问“我们竞争对手A公司上周发布了什么新产品核心功能是什么” 助手不仅能从几十份报告中精准找到相关信息还能结合模型的理解能力生成一份简洁的摘要。整个过程我们没有写一行代码。所以Dify的核心价值在于“降本”和“提速”。它降低了AI应用的技术门槛让业务专家能直接参与构建它极大地缩短了从想法到可运行原型的周期从以“月”为单位缩短到以“天”甚至“小时”为单位。接下来我们就从一个具体的实战项目出发看看如何零代码构建一个功能完整的智能助手。2. 实战目标打造你的第一个智能业务助手为了让大家有最直观的感受我们设定一个非常具体且常见的业务场景。假设你是某公司的产品运营每天需要处理大量来自销售、客服的反馈邮件和会议纪要文档。你的核心需求有三个快速查询当有人问“上个季度用户关于‘支付失败’的反馈主要有哪些”你能立刻从海量文档中找到相关记录。自动分析拿到一份新的市场调研报告你希望助手能自动提炼核心观点、竞争格局和潜在机会。执行任务根据分析结果你希望助手能帮你生成一份简要的邮件通知或者创建一个简单的数据图表分享给相关同事。这正好对应了Dify最强大的三个功能RAG知识库、智能体Agent推理和工作流编排。我们将分步实现最终得到一个集信息检索、内容分析和任务执行为一体的智能业务助手。在开始动手前你需要先拥有一个Dify环境。2.1 快速获取你的Dify工作台云服务 vs 本地部署Dify提供了两种使用方式对于绝大多数想快速上手的同学我强烈推荐直接从云服务开始。云服务零配置5分钟上手 这是最快捷的路径。直接访问 Dify Cloud 官网用你的GitHub或Google账号登录即可。新用户会获得一个包含200次GPT-4调用的免费额度完全足够我们完成这个实战项目。登录后你会进入“工作室”界面这就是你的AI应用工厂。云服务的所有功能包括模型接入、知识库构建、工作流设计都是开箱即用的你唯一需要准备的就是一个OpenAI的API Key或其他支持的模型API Key用于驱动背后的AI大脑。本地部署适合对数据隐私有更高要求的团队 如果你的文档涉及敏感信息或者希望完全掌控服务可以选择在本地服务器或自有云主机上部署Dify的开源社区版。部署过程主要通过Docker Compose完成算是相当友好。你需要先确保机器上安装了Docker和Git。然后打开终端依次执行以下命令# 1. 克隆代码仓库 git clone https://github.com/langgenius/dify.git # 2. 进入docker配置目录 cd dify/docker # 3. 复制环境配置文件 cp .env.example .env # 4. 启动所有服务这步会下载镜像需要一点时间 docker compose up -d执行完毕后用docker compose ps命令检查一下如果看到api、worker、web等核心服务状态都是“Up”就说明部署成功了。最后在浏览器打开http://你的服务器IP就能看到注册页面。本地部署的优势是数据完全私有并且你可以集成任何开源模型比如通过Ollama在本机运行的Llama 3、Qwen等实现完全离线的AI应用。无论选择哪种方式完成初始化后我们第一件要做的事就是“连接大脑”——配置AI模型。2.2 连接AI大脑模型配置详解模型是AI应用的动力源。Dify像一个万能适配器支持连接上百种模型。在工作室右上角点击头像进入「设置」-「模型供应商」这里就是配置中心。系统推理模型这是主模型负责对话、分析和生成任务。对于我们的实战我建议先从OpenAI的模型开始比如gpt-4o-mini它在性价比和性能上取得了很好的平衡。点击OpenAI区块的“设置”填入你的API Key并保存。指示灯变绿即表示连接成功。点击“27个模型”按钮你可以在下拉菜单中切换使用不同的GPT模型。嵌入模型这是RAG知识库的“记忆核心”。它负责将你上传的文档和用户的问题转换成计算机能理解的“向量”一串有意义的数字。检索时就是通过计算向量之间的相似度来找到最相关的文本片段。Dify默认会使用OpenAI的text-embedding-3-small效果很好且价格低廉。重排序模型这是一个高级优化选项。想象一下向量检索就像用渔网捞鱼一网下去可能捞到很多条相关文档。重排序模型的作用就是用一个更精细的筛子把其中最肥美的那几条最相关的几条精准地挑出来重新排序后再交给大模型。这能显著提升答案的准确性。Cohere提供了优秀的重排序服务如果你有它的API Key可以配置上。对于想玩转开源模型的朋友Dify也完美支持。以本地运行的Ollama为例你需要在「模型供应商」里选择“Ollama”。关键配置在于“基础URL”如果Dify和Ollama都运行在你的电脑上通常需要填写你电脑在局域网内的IP地址例如http://192.168.1.100:11434而不是localhost。这是因为Dify运行在Docker容器内localhost指向的是容器自身。模型名称就填你在Ollama里拉取并运行的模型名比如llama3.1:8b。配置成功后你就可以在应用里使用这个免费的本地模型了。3. 构建企业知识库让AI读懂你的私有文档模型准备好后我们开始解决第一个核心需求快速查询。这依赖于RAG技术。简单来说RAG让大模型在回答问题时不是仅凭自己训练时学到的“旧知识”凭空想象而是能先去你指定的“资料库”即知识库里查找相关材料然后结合这些材料来生成答案。这极大地减少了“幻觉”胡编乱造并让AI掌握了你的私有知识。3.1 创建与导入把你的文档“喂”给AI在Dify左侧导航栏找到「知识库」点击「创建知识库」。给你的知识库起个名字比如“产品反馈与市场文档”。接下来是关键的一步导入文档。Dify支持多种格式TXT、Markdown、PDF、Word、PPT、Excel甚至网页链接。对于我们的场景你可以把积累的邮件导出为PDF或TXT把会议纪要的Word文档还有收集的竞品分析PDF统统拖进上传区。这里有个实测下来的小技巧如果文档是扫描版PDF图片格式Dify目前无法直接提取其中文字你需要先用OCR工具比如各种在线转换工具将其转为可编辑的PDF或Word再上传。上传后点击「下一步」进入处理设置界面。这里你需要关注两个参数分段处理Dify会自动将长文档切成一个个语义连贯的“片段”。你可以设置片段的最大长度如500字符和相邻片段的重叠长度如50字符。重叠是为了避免一个完整的句子或概念被生生切断保证检索的上下文完整性。索引方式默认的“高质量”模式会同时使用关键词检索和向量检索效果最好。“低成本”模式仅用关键词检索速度快但语义理解能力弱。对于业务文档分析务必选择“高质量”。点击「保存并处理」Dify就会在后台开始工作提取文本、分段、调用嵌入模型为每一段生成向量并存入向量数据库。这个过程取决于文档数量和大小可能需要几分钟。3.2 检索优化如何让AI找得更准知识库建好后不是一劳永逸的。检索质量直接决定最终答案的准确性。我踩过的一个“坑”是早期上传了一些格式混乱、包含大量无关文本如页眉页脚、广告的文档导致检索结果总是掺杂噪音。优化点一文档预处理。在上传前尽量对文档做一次清洗。比如从网页复制内容时先粘贴到纯文本编辑器如记事本去掉格式再保存为文档。对于PDF如果可能提取出核心正文部分。优化点二善用“命中方式”。在创建应用并关联知识库时你可以在知识库配置中看到“命中方式”选项。这里有三个关键设置向量检索根据语义相似度查找能理解“用户反馈支付有问题”和文档中“客户抱怨无法完成付款”是同一回事。这是核心。全文检索基于关键词匹配适合精确查找特定术语、产品型号或代码。混合检索同时使用上述两种方法然后对结果进行合并与去重。我强烈推荐在正式应用中使用这个模式它结合了语义的灵活性和关键词的精确性召回效果最稳。优化点三调整“相关度阈值”。这个值通常介于0到1之间决定了片段与问题需要多相似才会被采纳。阈值太高可能漏掉一些相关但表述不同的内容阈值太低又会引入不相关的噪音。没有绝对的最优值你需要通过测试对话来调整。可以从默认值如0.6开始如果发现AI经常回答“根据知识库我找不到相关信息”就适当调低如果发现它引用了不相关的内容就调高。4. 从聊天助手到智能体赋予AI思考和行动的能力有了知识库我们已经可以创建一个能回答文档问题的聊天机器人了。但这还不够我们的助手还需要能“分析”和“执行任务”。这就需要请出Dify的**智能体Agent**功能。智能体不是简单的问答机器它是一个具备规划、推理和工具调用能力的AI系统。4.1 智能体 vs 简单聊天核心差异一个简单的聊天助手工作流程是线性的用户提问 - 检索知识如果有- 模型生成回答。而智能体引入了“思考循环”。当它接到一个复杂任务时比如“分析一下这份新市场报告并给销售团队写一封摘要邮件”它会这样做规划拆解任务。“我需要先阅读报告总结核心发现然后根据销售团队的特点起草邮件。”行动调用工具。为了“阅读报告”它去知识库检索为了“起草邮件”它调用文本生成能力。观察检查工具返回的结果是否满足要求。循环根据观察决定下一步是继续调用其他工具还是整合信息生成最终答案。这个“规划-行动-观察”的循环就是经典的ReAct框架。Dify的智能体同时支持更高效的函数调用模式如果模型支持如GPT-4和通用的ReAct模式。4.2 配置你的第一个智能体让我们在工作室「创建空白应用」这次选择「智能体」类型。命名为“智能业务分析师”。第一步编写核心指令提示词。这是智能体的“灵魂”决定了它的性格和能力范围。不要只写“你是一个助手”要写得具体、有约束力。例如“你是一名资深的业务分析师助手擅长处理内部文档和市场信息。你的核心职责是1. 准确回答基于已上传知识库产品反馈与市场文档的任何问题并引用来源。2. 当用户上传新文档或提出分析需求时你能总结核心要点、识别关键趋势和潜在风险。3. 在需要时你可以调用工具来生成图表或起草邮件。请逐步思考确保分析严谨。如果信息不足请主动提问澄清。”第二步添加工具赋予它“手脚”。这是智能体强大的关键。在「工具」选项卡点击「添加工具」。Dify内置了超过50种工具我们添加几个最实用的知识库检索工具关联我们之前创建的“产品反馈与市场文档”知识库。这是它的“记忆查询”工具。文本生成工具这其实是通过LLM节点实现的但我们可以将其视为一个“撰写”工具。图表生成工具Dify集成了类似ChartCube的图表生成能力你可以配置它根据提供的数据比如“用户反馈分类统计支付问题35%登录问题20%...”生成柱状图或饼图。HTTP请求工具自定义这是大杀器。你可以用它连接任何外部API。比如连接公司内部的邮件发送接口。你需要提供API的Endpoint、请求方法GET/POST、Headers和参数格式。这样智能体分析完报告后就能直接调用这个工具把摘要邮件发送出去。第三步设置推理模式与限制。在「智能体设置」中为支持函数调用的模型如GPT-4选择“函数调用”效率更高。还可以设置“最大迭代次数”防止智能体在一个问题上陷入死循环一般设为5-10次足够。配置完成后点击右上角的「发布」你就可以在预览窗测试了。试着对它说“我刚上传了一份名为‘Q3市场竞品分析.pdf’的文档到知识库请总结一下竞争对手B公司在产品功能上的主要动向并评估对我们产品的威胁等级。” 观察它的思考过程它会先调用知识库工具检索新文档然后进行分析最后给出结构化的回答。5. 可视化工作流编排构建复杂业务自动化流水线智能体已经很强大了但对于一些固定流程、需要严格步骤的业务场景纯靠智能体的“自由发挥”可能不够稳定。比如每周一的固定任务拉取上周的所有用户反馈邮件自动分类功能建议、Bug投诉、咨询生成分类统计图表并给产品和技术团队负责人发送不同的摘要报告。这种场景就需要工作流来实现了。工作流把整个任务流程可视化、固定化每个步骤节点做什么都清清楚楚就像工厂的流水线。这提高了复杂任务的可靠性和可解释性。5.1 设计一个周报自动化工作流我们在工作室「创建空白应用」选择「工作流」类型。进入可视化画布我们从左侧拖拽节点来构建流程。节点1开始。设置输入变量比如trigger_time手动触发或未来可设置为定时触发。节点2知识检索。配置它去我们的“产品反馈与市场文档”知识库中检索“最近7天”的文档这里假设你按周导入邮件。检索结果会输出为一个文本列表。节点3LLM节点分类与总结。将检索到的所有反馈文本作为输入给它一个清晰的提示词“你是一名产品运营分析师。请将以下用户反馈列表进行分类类别为[功能建议]、[Bug投诉]、[使用咨询]、[其他]。并为每一类反馈总结出3个最具代表性的核心观点。最后输出一个JSON格式的结果包含category类别、summary摘要、quote引用原文。”节点4IF/ELSE节点。这里我们可以根据分类结果做分支判断。例如如果Bug投诉类别的反馈数量超过一个阈值比如10条则进入一个“高优先级警报”分支。节点5代码节点在高优先级分支。我们可以用一小段Python代码将Bug反馈的具体内容整理成表格或者计算一些简单的统计指标。节点6HTTP请求节点在两个分支。在常规分支调用邮件API将分类总结发送给产品经理。在高优先级警报分支调用邮件API或即时通讯工具如企业微信、钉钉的Webhook将紧急Bug列表直接发送给技术负责人。节点7答案/结束节点。将工作流执行的成功状态或关键信息输出。通过这样一条可视化的工作流我们就把一个原本需要人工数小时完成的重复性工作变成了一个点一下按钮就能全自动完成的流程。而且因为流程是固定的每次输出的格式和质量都非常稳定。5.2 工作流与智能体的结合你可能会问有了工作流还要智能体干嘛其实它们是最好的搭档。我常用的模式是用工作流处理标准化、流程化的“硬任务”用智能体处理灵活、需要临场发挥的“软任务”。例如你可以构建一个主工作流其中包含一个“智能体”节点。当工作流执行到某个环节遇到无法用固定规则处理的问题比如用户反馈了一段模糊不清的描述就将这个问题抛给智能体节点。智能体利用它的推理和工具调用能力去分析、追问、解决然后将结果返回给工作流继续后续的步骤。这样既保证了核心流程的稳定性又保留了处理复杂情况的灵活性。6. 发布、集成与持续优化应用构建好后点击「发布」它就从一个设计稿变成了一个可用的服务。Dify为每个发布的应用提供了多种使用方式方式一直接使用Web App。Dify会生成一个独立的、界面友好的聊天网页。你可以把这个链接分享给团队成员他们打开就能用。这是最快的内部分享方式。方式二API集成。这是将AI能力嵌入到你现有业务系统的关键。在应用的「访问方式」里你能找到API Endpoint和密钥。你可以用任何编程语言Python, JavaScript等调用它。比如把你的客服系统后台稍作改造当客服输入用户问题时后台悄悄调用这个Dify应用的API把智能助手生成的参考回答实时推送给客服人员。方式三嵌入到网站或产品中。Dify提供了JavaScript SDK可以让你把整个聊天窗口像插件一样嵌入到公司内网、产品帮助中心等地方。应用上线后运维并没有结束。Dify的LLMOps功能让你能持续优化它。在「日志与标注」页面你可以看到每一次用户对话的详细记录用户问了什么AI回答了什么检索了哪些文档调用了哪些工具。对于回答不好的案例你可以直接在界面上进行“标注”——给出一个更好的回答。这些标注数据会成为宝贵的优化素材你可以用它们来微调提示词或者作为后续模型训练的优质数据。这就是一个完整的“构建-部署-监控-优化”的闭环。从我自己的经验来看从零开始用Dify搭建一个可用的智能应用快则一两个小时慢则一两天。它真正打破了AI应用开发的神秘感让业务驱动、快速迭代成为了可能。最大的挑战往往不在于工具的使用而在于如何清晰地定义你的业务场景并把它们拆解成AI能够理解和执行的步骤。一旦跨过这一步你会发现用AI赋能业务从未如此简单直接。
