Agent案例参考-Dify知识库智能问答参考流程

一、Dify上传知识库

1. 创建知识库并上传文档

点击【知识库】---> 【创建知识库】---> 可选【导入已有文本】创建包含文本的知识库或者【创建一个空知识库】 ---> 创建空知识库后点近创建的知识库，可添加文件 ---> 同一知识库可上传多份文档

步骤参考下图：

• 创建知识库
  

  

  
  

• 上传文档并设置文本分段与清洗：这是决定检索质量的核心环节。AI并非阅读整篇文档，而是搜索最相关的“文本片段”。
   1、Dify提供了三种分段模式以适应不同场景：

• 模式	工作原理	适用场景
  通用分段	将文本按预设规则均匀切分为独立块，是系统最基础、最常用的模式。	大多数通用文档，尤其是结构不复杂的内容。
  Q&A分段	利用AI自动从文档中提取问答对，以Q to A（问题匹配答案）策略提升匹配精确度。	已有的FAQ文档、客服知识库等问答对形式明确的内容。
  父子分段	以精确的“子块”进行检索，但返回包含更多上下文的“父块”，兼顾了检索精度与信息完整性。	长文档、技术手册等内容量大、段落独立且上下文连贯的文档。

  分段标识符，分段最大长度以及分段重叠长度根据文档实际内容进行调整，点击【预览块】可查看分段结果
  

  
   2、Dify提供两种索引模式：
   高质量模式：使用先进的向量嵌入模型进行索引，通常搭配外部向量数据库。该模式准确率高，但会消耗Token并产生额外成本。
   经济模式：使用离线向量引擎和关键词索引。该模式低成本，无额外Token消耗，但准确率相对较低。
  
   3、配置Embedding模型
  
   4. 检索方式：根据查询需求选择并配置rerank模型

                       向量检索：基于语义相似度匹配，适合模糊查询、同义表达。
                       全文检索：基于字面匹配，适合精确术语、编号查询。
                       混合检索：结合语义与关键词，平衡准确率和召回率。
  
                       权重比例（混合检索时）：按查询侧重点调整语义与关键词结果的权重。
                       Top K：按上下文长度和精度需求设置返回的文档片段数量。
                       Score阈值：按实际匹配质量设定相关性过滤门槛，仅返回高于该分值的片段。
  

  

  
  
• 保存并处理后检查文档状态需要为可用
  点击右侧添加文件可上传多份文件
  点击左侧栏可查看知识库所有文档，进行召回测试，以及修改知识库检索设置
  

  

  
  

2. dify工作流设置

• 创建dify工作流或chatflow
  

  

• 设置知识检索节点
  点击【+】添加知识库，可添加多个知识库 ---> 点击【召回设置】可设置参数见下图
  

  

  
  
• 设置模型节点：
  两个图片示例仅供参考
  

  

  

• 可根据具体需求调整提示词
  方案一：选择模型节点SYSTEM右侧的星符号进入生成提示词
  

  

  
  方案二：可理用AI工具（DEEPSEEK，豆包等）生成提示词
  

  

  注意：请根据实际效果选择提示词，需要在提示词添加用户问题和知识检索结果参数：
  

  

  
  

二、 知识库文档治理背景和方案

在知识问答场景中，知识库的构建质量直接决定了问答系统的准确率与用户体验。未经治理的原始文档（特别是多文档库）常因格式杂乱、内容交叉、信息冗余等问题，导致系统难以精准定位答案或产生“答非所问”的现象。

本文档旨在规范知识问答工作流启动前的文档治理工作，通过标准化操作，确保知识库内容结构化、语义清晰、检索高效，从而保障问答系统的稳定输出。

三、 知识库类型判定

在开展治理工作前，需首先判定知识库类型：

● 单文档知识库：指所有知识内容集中在一个文件（如一份手册、一份白皮书）中。此类库上下文关联性强，通常无需复杂预处理。

● 多文档知识库：指知识内容分散在多个独立文件（如不同活动的FAQ、多期活动记录、不同部门的规章制度）中。此类库是治理工作的重点，治理质量直接决定检索效果。
多文档如果是规范的同一类型产品文档，并且可以明确分段的通常无需额外预处理。

四、 单文档知识库治理

对于单文档知识库，原则上不需要进行额外的格式改造或内容拆分。系统将基于整篇文档的语义进行问答匹配。

注意事项：

● 若单文档内部存在明显的章节独立性（如一份文档包含多个互不相关的产品说明），建议仍按多文档库思路进行预处理，以提升定位精度。

五、 多文档知识库治理（核心内容）

多文档知识库的治理目标是将“分散、异构、非结构化”的原始文档，转化为“统一、规范、高内聚”的结构化数据。根据文档的原始形态和业务需求，我们提供以下三种标准治理方案，可根据实际情况选择其一或组合使用。

方案一：标准问答对模式（推荐）

适用场景： 原始文档以FAQ、问题集、操作步骤等形式存在，内容本身可明确拆分为一问一答。

治理目标： 将所有内容统一转化为标准化的问答对，以固定分隔符进行区分，实现高精度的精准匹配。

操作步骤

1. 格式转换：将文档中的每一组“问题-答案”提取出来。

2. 统一模板：严格按照以下模板组织内容：

Q：<具体问题>
A：<详细答案>

3. 分隔符设置：每个问答对之间使用 \n\n（两个换行符）进行物理分隔。系统将默认以此标识切割文档块。

4. 元数据补充（可选但推荐）：在问答对头部添加元数据行，如 来源：xxx活动FAQ，便于溯源。

建议：

可以借助豆包，Deepseek等AI工具上传文档并自动生成问答对，如果有图片需要调整在对应的位置添加对应的图片。

格式示例

Q：清明节活动的时间是什么时候？
A：本次清明节活动时间为2026年4月4日至4月6日，每日10:00-17:00。

Q：参与清明节活动需要提前报名吗？
A：不需要提前报名，活动期间直接前往活动现场扫码签到即可参与。

优劣分析

● 优势：检索精准度最高，系统能直接匹配到具体问答，适合事实型、定义型问题。

● 劣势：人工处理成本相对较高，需将叙述性文本进行问答化改写。

方案二：增强结构化分段模式

适用场景： 原始文档为长文本、活动介绍、业务说明等叙述性内容，难以拆分为严格的“一问一答”，但存在明显的主题分段（如多个活动、多个业务板块）。

治理目标： 通过“分段标识 + 主题标签”的方式，使系统能准确理解每个文本块的归属，避免在多个相似主题间产生混淆。

操作步骤

1. 清理无关元素：手动删除文档中嵌入的背景图片、装饰性图片、复杂表格图片等非文字元素。若信息包含在图片中，需进行OCR识别并将文字内容提取出来。

2. 定义分段标识：统一使用 \n\n 作为分段标识，将文档切割为独立的逻辑单元。

3. 增强分段辨识度：这是本方案的关键。每个分段内部必须包含明确的“主题标识字段”，使系统在检索时能区分不同分段的上下文。

○ 活动类文档示例：每个分段必须包含“活动名称：”字段。

○ 产品类文档示例：每个分段必须包含“产品型号：”字段。

○ 制度类文档示例：每个分段必须包含“制度编号：”或“适用部门：”字段。

格式示例

原始内容（未经治理）

时间：4月4日-6日，地点：公园。内容：踏青、祭扫。时间：5月1日-5日，地点：广场。内容：集市、演出。

治理后（增强结构化）

活动名称：清明节踏青活动
活动时间：4月4日-4月6日
活动地点：XX公园
活动内容：包含踏青寻春、文明祭扫宣传、风筝DIY三个环节。

活动名称：劳动节创意集市
活动时间：5月1日-5月5日
活动地点：XX市民广场
活动内容：包含文创集市、街头艺人演出、亲子互动游戏。

优劣分析

● 优势：能有效处理叙述性文本，特别适合存在多个并列主题（如多期活动）的场景，能大幅减少主题混淆。

● 劣势：需要人工为每个分段添加主题标识字段，且分段粒度的划分需要一定经验。

方案三：轻量级OCR文本提取模式

适用场景： 文档来源主要为扫描件、图片型PDF、拍照图片等，无法直接获取原始文本，且人工整理成本有限。

治理目标： 在最小人工干预的前提下，通过技术手段提取纯文本，并建立基础的语义分段能力。

使用方案：可以使用华为云OCR通用文字识别（https://console.huaweicloud.com/ocr/?locale=zh-cn&agencyId=fd3793ced6514e2da6ba92b1bc0bdd3d®ion=cn-south-1#/ocr/overview）或者MinerU（https://mineru.net/apiManage/docs）

操作步骤

1. OCR识别：对文档进行OCR文字识别，仅输出文字内容，丢弃所有图片、图表、格式信息。

2. 自然分段：利用OCR结果中的自然换行、段落间距，结合规则（如连续两个换行符）进行初步分段。（在工作流中使用OCR已经添加模型节点进行分段）

3. 基础标识增强：在OCR文本中，若通过关键词（如“活动一”、“主题二”、“序号1.”）能识别出主题边界，可进行简单的文本标注，但本方案不强求人工添加“活动名称”等复杂字段。

格式示例

OCR识别后的纯文本（自然分段）

清明节活动方案
活动时间：2026年4月4日
活动地点：XX公园
活动内容：踏青、祭扫宣传。

五一劳动节活动方案
活动时间：2026年5月1日
活动地点：XX广场
活动内容：创意集市、演出。

优劣分析

● 优势：治理成本最低，速度快，适用于大批量历史存量文档的快速入库。

● 劣势：问答效果相对前两种方案较弱。由于缺乏明确的结构化标识，在涉及多主题（如多个活动）的文档中，系统可能无法精确区分用户问的是“清明节”还是“劳动节”的活动细节。此方案适用于与客户明确沟通效果预期后使用。

六、 治理方案选型建议

风险提示：

若在多文档场景下跳过前期治理或治理不规范，可能引发以下问题：

● 结果混淆：当用户询问“清明节活动”时，系统可能返回“劳动节活动”的信息，因两者内容在同一知识库中未被区分。

● 定位失败：由于缺乏“活动名称”等标识字段，系统无法将用户的问题与具体分段建立关联，导致回答“未找到相关信息”。

● 上下文断裂：因图片等非文字内容未被清理，OCR提取后形成空块或乱码，影响整体语义理解。

建议根据业务场景与资源投入，合理选择治理方案，并在项目启动前与客户就治理范围与效果预期达成一致。