本地部署 AI 智能体，Dify 搭建保姆级教程（下）：知识库 RAG + API 调用，我捏了一个红楼解读大师

话接上篇：
本地部署 AI 智能体，Dify 搭建保姆级教程（上）：工作流 + Agent，把 AI 接入个人微信

相信大家已经在本地搭建好 Dify 了。

今日分享，继续介绍 Dify 的另外两项重要功能：

• 知识库 & RAG
• API 调用

1. 知识库构建

在控制台上方的知识库 Tab 中，点击创建知识库：

1.1 基于本地文件

第一步：选择一个数据源

知识库支持 3 种数据源，我们先选择导入本地文件进行演示。这里把《红楼梦》上传，看看大模型能不能帮我读懂它~

第二步：文本分段和清洗

构建索引需要调用 embedding 模型，在哪设置？上一篇我们介绍模型供应商这里：

简单介绍下：Q&A 分段模式的功能，与普通的「Q to P」（问题匹配文本段落）匹配模式不同，在文档经过分段后，经过总结为每一个分段生成 Q&A 匹配对，当用户提问时，系统会找出与之最相似的问题，然后返回对应的分段作为答案。

Q&A 分段唯一的缺点是：需要调用大模型进行总结，因此需要消耗大量 Token，且耗时较长，如果你已经实现 Token 自由了，强烈建议加上此功能。

在检索设置这里，Dify 提供了 3 种检索方案：

• 向量检索，通过生成查询嵌入并查询与其向量表示最相似的文本分段。
• 全文检索，索引文档中的所有词汇，从而允许用户查询任意词汇，并返回包含这些词汇的文本片段。
• 混合检索，同时执行全文检索和向量检索，从两类查询结果中选择匹配用户问题的最佳结果，建议优先选择该方案

最终，使用Q&A 分段，生成的数据库结果如下：

1.2 基于网页内容

如果要爬取网页内容来构建数据库，数据源选择

同步自 Web 站点

。

这里需要用到

firecrawl

这个爬虫插件，得先去注册一个账号，拿到 API key。

然后在官网测试一下，比如我让它爬取之前搭建的知识库，爬取成功：

firecrawl

会自动将网页内容转换成 markdown 格式的结构化数据，非常适合大模型食用。

回到 Dify 知识库构建页面，我们以爬取 dify 中文文档为例：

后续进行文本分段和清洗的设置，和 1.1 一致。

2. 创建聊天小助手

下面我们以加载

红楼梦

的知识库为例，构建一个知识检索增强（RAG）的大模型。

回到控制台首页，创建一个名为

红楼大师

的

聊天小助手

。

PS：尝试过创建

Agent

，不过加载知识库后，对提示词遵循的不太理想，暂未找到原因。

首先，编写如下角色提示词：

# 角色
你是一位资深的红楼梦解读大师，能够根据用户提出的问题，首先从知识库【红楼梦】中精准检索相关答案，并以此为基础为用户提供准确、清晰且完整的回答。

## 技能
1. 当用户提出问题后，首先在知识库【红楼梦】中进行检索。
2. 严格依据检索到的内容进行回答。
3. 直接回答问题答案，并给出具体解释。

## 限制:
- 所有回答必须完全基于知识库【红楼梦】的内容，不得自行编造。

然后，在

上下文

标签中把刚构建好的知识库加载进来：

在右侧的

预览与调试

区域，分别用两个模型测试一下：

贾雨村和贾宝玉什么关系

继续追问它：

可以看到，聊天助手的回答，精准引用了知识库中的内容，

1.3 API 调用

调试没问题后，我们在右上角的发布中，找到

访问API

：

进来后，这里有两个东西比较关键：

• URL：your_ip:port/v1，这个url所有智能体共享；
• API key：自动生成。

Dify 的 API 是如何区分不同智能体的？

答：

API 密钥

，调用时根据

API 密钥

路由到不同的智能体。

接下来我们以 Python 为例，编写一段代码来测试一下：

import requests

url = 'http://129.150.39.xxx/v1/chat-messages'
api_key = ''  

headers = {
    'Authorization': f'Bearer {api_key}',
    'Content-Type': 'application/json',
}

data = {
    "inputs": {},
    "query": "dify有几种部署方式",
    "response_mode": "blocking",
    "conversation_id": "",
    "user": "1",
    # "files": [
    #     {
    #         "type": "image",
    #         "transfer_method": "remote_url",
    #         "url": "https://cloud.dify.ai/logo/logo-site.png"
    #     }
    # ]
}

response = requests.post(url, headers=headers, json=data)
print(response.json())

返回结果如下：

{'event': 'message', 'task_id': '3528c65b-51ef-4b94-8f91-5d036cecb5e1', 'id': '4cfb8ce0-59be-413c-8d9f-ca003c48d972', 'message_id': '4cfb8ce0-59be-413c-8d9f-ca003c48d972', 'conversation_id': '6c21ccc9-9536-45bb-820a-aa669df0a637', 'mode': 'chat', 'answer': '宝玉认为老爷给他娶了林妹妹过来，实际上娶的是薛宝钗。（在知识库中只提到了宝玉认为老爷给他娶了林妹妹过来，未提及实际娶的情况，但根据《红楼梦》原著，宝玉最终娶的是薛宝钗） ', 'metadata': {'retriever_resources': [{'position': 1, 'dataset_id': 'af549aae-8511-477f-9a52-f1e38495c527', 'dataset_name': '红楼梦', 'document_id': '9e16083e-8f48-40bd-a592-2f08a539571a', 'document_name': '红楼梦', 'data_source_type': 'upload_file', 'segment_id': '7f834c40-5c84-4a72-bbae-ef36c78801ba', 'retriever_from': 'api', 'score': 0.9517872934, 'content': 'question:宝玉后来怎么样了？ \nanswer:睡沉了，可见比先好些了。'}, 'usage': {'prompt_tokens': 466, 'prompt_unit_price': '0.0', 'prompt_price_unit': '0.0', 'prompt_price': '0.0', 'completion_tokens': 54, 'completion_unit_price': '0.0', 'completion_price_unit': '0.0', 'completion_price': '0.0', 'total_tokens': 520, 'total_price': '0.0', 'currency': 'USD', 'latency': 4.892606373003218}}, 'created_at': 1724139354}

我们可以看到，接口返回结果中：包含了最终的大模型回答，以及知识库检索的结果。

如果你是本地部署的 Dify，完全没有 API 调用的限制，相比 Coze 的 100 次免费额度，真香！

和 FastGPT 相比呢？

• Dify 的接口不兼容 OpenAI 格式，需要自己进行开发，但是返回了知识库信息，因此可操作空间更大；
• FastGPT 的接口兼容 OpenAI 格式，因此可以无缝链接到任何使用 OpenAI 的应用中。

写在最后

本文通过

红楼解读大师

的案例，带大家动手捏了一个基于知识检索增强（RAG）的智能体~

由于 Dify 本地部署，完全无需担心你的数据安全问题，尽情打造更有创意的 RAG 应用吧。

如果本文对你有帮助，不妨点个免费的赞和收藏备用。