Dify中创建知识库操作和实现过程_dify 知识库

一.创建知识库操作

选择知识库选项卡，然后点击创建知识库。

1.方式一：先创建知识库，然后上传文件

创建一个空知识库。

输入知识库名称，然后创建。

2.方式二：直接上传文件，然后创建默认知识库

除此之外也可以直接上传文本文件，然后系统会创建一个默认知识库。直接上传"QA文档.txt"后会自动创建默认知识库名称和知识库描述等信息：

二.创建知识库实现

1.方式一：先创建知识库，然后上传文件

创建空白知识库的post方法：

class DatasetListApi(Resource):

    @setup_required
    @login_required
    @account_initialization_required
    def get(self):
        ......
        return response, 200

    @setup_required  # 确保系统已经初始化
    @login_required  # 确保用户已经登录
    @account_initialization_required  # 确保用户已经初始化
    def post(self):
        parser = reqparse.RequestParser()  # 创建请求参数解析器
        parser.add_argument('name', nullable=False, required=True,
                            help='type is required. Name must be between 1 to 40 characters.',
                            type=_validate_name)  # 添加请求参数
        parser.add_argument('indexing_technique', type=str, location='json',
                            choices=Dataset.INDEXING_TECHNIQUE_LIST,
                            nullable=True,
                            help='Invalid indexing technique.')  # 添加请求参数
        args = parser.parse_args()  # 解析请求参数

        # The role of the current user in the ta table must be admin or owner
        if not current_user.is_admin_or_owner:
            raise Forbidden()

        try:
            dataset = DatasetService.create_empty_dataset(  # 创建空白知识库
                tenant_id=current_user.current_tenant_id,  # 租户ID
                name=args['name'],  # 名称
                indexing_technique=args['indexing_technique'],  # 索引技术
                account=current_user  # 用户
            )
        except services.errors.dataset.DatasetNameDuplicateError:  # 数据集名称重复
            raise DatasetNameDuplicateError()  # 数据集名称重复错误

        return marshal(dataset, dataset_detail_fields), 201  # 返回数据集详情
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

调用http://localhost:5001/console/api/datasets接口：

{
    "id": "cbd8a746-a9ab-4d79-8337-99d4ac989691",
    "name": "\u6d4b\u8bd5\u77e5\u8bc6\u5e93",
    "description": null,
    "provider": "vendor",
    "permission": "only_me",
    "data_source_type": null,
    "indexing_technique": null,
    "app_count": 0,
    "document_count": 0,
    "word_count": 0,
    "created_by": "c17d706d-6418-4ca0-9ba5-34b43bb7e32c",
    "created_at": 1719337063,
    "updated_by": "c17d706d-6418-4ca0-9ba5-34b43bb7e32c",
    "updated_at": 1719337063,
    "embedding_model": null,
    "embedding_model_provider": null,
    "embedding_available": null,
    "retrieval_model_dict": {
        "search_method": "semantic_search",
        "reranking_enable": false,
        "reranking_model": {
            "reranking_provider_name": "",
            "reranking_model_name": ""
        },
        "top_k": 2,
        "score_threshold_enabled": false,
        "score_threshold": null
    },
    "tags": []
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

实际调用的create_empty_dataset方法：

创建空白知识库中，数据存入数据表datasets中。

2.方式二：直接上传文件，然后创建默认知识库

（1）save_document_without_dataset_id

DatasetInitApi类是一个资源类，它继承自Resource类。在这个类中，定义了一个post方法，这个方法对应HTTP的POST请求。

post方法的主要功能是初始化一个数据集。首先检查用户是否已经设置、登录并完成了初始化。然后，它会检查用户是否有足够的权限来创建一个新的向量空间。

在post方法中，首先通过reqparse.RequestParser()解析请求中的参数，包括索引技术(indexing_technique)、数据源(data_source)、处理规则(process_rule)、文档形式(doc_form)、文档语言(doc_language)和检索模型(retrieval_model)。

如果索引技术是’high_quality’，则会尝试获取默认的嵌入模型实例。如果获取失败，会抛出相应的错误。然后，它会验证请求参数是否有效。如果参数有效，它会调用DocumentService.save_document_without_dataset_id方法来创建一个新的数据集并在其中保存文档。

最后，它会返回一个包含新创建的数据集、文档和批次信息的响应。

save_document_without_dataset_id方法的主要功能是在没有给定数据集ID的情况下保存文档。这个方法主要用于创建一个新的数据集，并在其中保存文档，返回新创建的数据集、保存的文档和批次信息。以下是该方法的主要步骤：

首先，它会检查是否启用了计费功能。如果启用了计费，它会计算上传的文档数量，并检查是否超过了批量上传的限制或者文档上传的配额。

如果文档的索引技术是’high_quality’，它会尝试获取默认的嵌入模型实例，并获取数据集集合绑定和检索模型。

然后，它会创建一个新的数据集，包括租户ID、数据源类型、索引技术、创建者、嵌入模型、嵌入模型提供者、集合绑定ID和检索模型等信息。

接着，它会调用save_document_with_dataset_id方法来在新创建的数据集中保存文档。

最后，它会更新数据集的名称和描述，并提交数据库事务。

以上是在datasets数据表中插入的一条知识库记录。

（2）save_document_with_dataset_id

通过调试得到document_data一个示例数据如下所示：

{
        'indexing_technique': 'high_quality',
        'data_source': {
                'type': 'upload_file',
                'info_list': {
                        'data_source_type': 'upload_file',
                        'file_info_list': {
                                'file_ids': ['6f393937-d0ec-41b3-a6cb-56f38081eb94']
                        }
                }
        },
        'process_rule': {
                'rules': {},
                'mode': 'automatic'
        },
        'duplicate': True,
        'original_document_id': None,
        'doc_form': 'text_model',
        'doc_language': 'Chinese',
        'retrieval_model': {
                'search_method': 'semantic_search',
                'reranking_enable': False,
                'reranking_model': {
                        'reranking_provider_name': '',
                        'reranking_model_name': ''
                },
                'top_k': 2,
                'score_threshold_enabled': False,
                'score_threshold': None
        }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

save_document_with_dataset_id方法的主要功能是在给定数据集ID的情况下保存文档。这个方法主要用于在已存在的数据集中创建或更新文档，返回保存的文档和批次信息。以下是该方法的主要步骤：

首先，它会检查是否启用了计费功能。如果启用了计费，它会计算上传的文档数量，并检查是否超过了批量上传的限制或者文档上传的配额。

如果数据集是空的，它会更新数据集的数据源类型和索引技术。

如果是更新文档，它会调用update_document_with_dataset_id方法来更新文档。如果是新建文档，它会保存处理规则，然后根据数据源类型（如上传文件或导入notion）创建文档。

最后，它会触发异步任务来处理文档索引。

以上是在documents数据表中插入的一条文件记录。

三.知识库文档操作

在知识库中添加文档：

数据源可以是导入已有文本，同步自Notion内容，同步自Web站点（暂未实现）。文档类型已支持 TXT、 MARKDOWN、 PDF、 HTML、 XLSX、 XLS、 DOCX、 CSV，每个文档不超过 15MB。

上传文档后，可以分段设置、索引方式、检索设置。分段设置包括自动分段与清洗和自定义2种情况。索引方式包括高质量和经济2种情况。检索设置包括向量检索、全文检索和混合检索3种情况。

TopK表示用于筛选与用户问题相似度最高的文本片段。系统同时会根据选用模型上下文窗口大小动态调整分段数量。Score阈值表示用于设置文本片段筛选的相似度阈值。

文档上传后就可以进行Embedding处理。

点击"前往文档"可以查看文档的处理信息。

点击文档可查看文档的段落、元数据（需要自行设置）和技术参数信息。

四.上传文档实现

调用接口http://localhost:5001/console/api/files/upload：

{
    "id": "d0bd9b1e-49f4-4bfa-ac7f-24e5d9ac1030",
    "name": "疲劳自救手册：用认知行为疗法找回元气满满的自己.html",
    "size": 292535,  # 0.28MB
    "extension": "html",
    "mime_type": "text/html",
    "created_by": "c17d706d-6418-4ca0-9ba5-34b43bb7e32c",
    "created_at": 1719341969
}
1
2
3
4
5
6
7
8
9

源码位置：dify\api\controllers\console\datasets\file.py

源码位置：dify\api\services\file_service.py

存储到数据表upload_files中的记录如下：

id：d0bd9b1e-49f4-4bfa-ac7f-24e5d9ac1030
tenant_id：f3789322-26d3-473a-82ea-f51c77face65
storage_type：local
key：upload_files/f3789322-26d3-473a-82ea-f51c77face65/4e7b05eb-fa25-48ec-ae37-9088cb265e64.html
name：疲劳自救手册：用认知行为疗法找回元气满满的自己.html
size：292535
extension：html
mime_type：text/html
created_by：c17d706d-6418-4ca0-9ba5-34b43bb7e32c
created_at：2024-06-26 02:59:29.144151
used：false
used_by：
used_at：
hash：d6c38b0743dd6edfa95dac39fed49f4b8e75e79ee8bc47617b1f1e8b519d3d7f
created_by_role：account
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15