Dify搭建一个简单RAG知识库

链接地址：https://zhuanlan.zhihu.com/p/986305349

https://blog.csdn.net/Wufjsjjx/article/details/147918034

当下让大模型掌握企业的知识和流程，成为企业AI应用的首选，今天我们介绍一下用Dify搭建一个简单RAG知识库，基于Prompts+ Embedding+Rerank混合方案，实现更高准确率。

 

一、搭建知识库

1、创建知识库

（1）登录Dify控制台 → 知识库 → 创建知识库，如下图所示

 

（2）创建一个空知识库

 

（3）输入知识库名称后，单击创建按钮

 

2、选择数据源

（1）添加文件

 

（2）选择文件

 

（3）选择QA文件打开，并点下一步

利用知识库对QA数据进行知识构建，通过用户输入的文本对QA进行检索，返回最相似的TopK个文本

 

 

3、文本分段与清洗

      内容上传到知识库之后，需要进行分块和数据清洗，这个阶段可以理解为内容的预处理和结构化。

（1）分段设置，这里先选择通用

 

（2）索引方式默认是经济，索引设置倒排索引，TopK默认2，单击保存并处理

经济模式采用离线向量引擎和关键字索引，虽然准确率有所降低，但省去了额外的 token 消耗和相关成本。

在经济索引模式下，Dify 提供单一检索设置：倒排索引和TopK

倒排索引：一种为快速检索文档中的关键字而设计的索引结构。

TopK和分数阈值：设置检索结果的数量和相似度阈值。

 

（3）索引模式这里我们先选择经济，不选择高质量，后期我们在单独写一篇文章介绍，这种模式需要提前部署配置嵌入模型和Rerank模型。

 

4、处理并完成，如下图所示：

 

二、Dify设计AI工作流

1、创建工作流

（1）登录Dify控制台 → 工作室 → 创建空白应用，如下图所示

 

（2）选择工作流，填写应用名称比如企业RAG知识库，单击创建按钮

 

（3）创建完成，如下图所示：

 

2、工作流编排

（1）开始节点编排

• 登录Dify控制台 → 工作室 → 工作流（单击上面创建的知识库工作流），如下图所示

 

• 添加描述和单击输入字段后面的加号+

 

• 选择文本，输入变量名称和显示名称，长度默认，必填，单击保存

 

（2）添加“知识检索”节点

• 单击下图所示添加下一个节点的加号+

 

• 选择“知识检索”

 

 

• 设置查询变量值，单击设置变量值框，选择开始节点输入值query

 

 

• 添加知识库，单击知识库后面的加号+，选中上面创建的”企业知识库“，然后单击”添加“按钮

 

 

 

（3）添加“LLM”大语言模型节点

• 单击添加下一个节点的加号+，选中“LLM"

 

 

• 系统会自动分类一个已部署的大模型，手动设置已部署大模型方法如下图所示：我这里选中的是本地部署的模型

 

 

• 设置上下文变量值，单击设置变量值框，然后选中知识检索结果result

 

 

 

（4）添加流程”结束“节点并输出结果

• 单击添加下一个节点的加号+，选中“结束"

 

 

• 设置输出变量值，选择”LLM“节点输出结果text

 

 

 

三、Dify工作流运行测试、发布

1、单击”运行“按钮

 

2、输入“数字化”，单击开始运行

 

3、我的大模型选择的是本地的，运行比较慢，现在相应节点显示”运行“状态

 

4、知识检索的输出结果，就是企业知识库QA文档的内容

 

 

5、“LLM”节点以“知识检索”的输出作为上下文，并调用大语言模型

 

6、LLM节点，通过大语言模型，对知识检索的进行补充完善，输出如下图所示

 

7、测试成功后，单击“发布” → “发布更新”

 

 

      总结：通过上述方法，即使无开发经验也能轻松在Dify中轻松设计RAG知识库工作流，希望通过本文大家都能开启企业AI应用开发，结合企业实际业务场景开发深度应用。

 

   如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​