【LLM】快速了解Dify 0.6.10的核心功能：知识库检索、Agent创建和工作流编排（二）_什么是 工作流编排聊天助手

【LLM】快速了解Dify 0.6.10的核心功能：知识库检索、Agent创建和工作流编排（二）

在上一篇文档中【LLM】Dify 0.6.10 在Windows系统上本地化部署（一） 已经介绍了如何在Windows上完成Dify的本地部署，接下来启动本地项目，快速了解Dify的核心功能，包括知识库检索、Agent创建和工作流编排。

Dify 0.6.10的具体功能介绍还是详见欢迎使用 Dify | 中文 | Dify，这里旨在本地部署的项目中尝试验证这些核心功能，并跑通整个流程。

一、创建一个简单的聊天助手：配置模型提供商并接入聊天助手

参考 模型 | 中文 | Dify

1、配置 TongYi 大模型

点击头像的"设置"，配置模型提供商

这里配置通义千问的AppKey，ApiKey申请参考 阿里通义千问API(Java)使用教程,基于Springboot后端，配置好后：

Note：

在配置模型提供商时，调用的后端请求是

POST /console/api/workspaces/current/model-providers/tongyi HTTP/1.1
1

这里会用到redis缓存，需要修改下.env的配置（如果需要的话）

# celery configuration
; CELERY_BROKER_URL=redis://:difyai123456@localhost:6379/1
CELERY_BROKER_URL=redis://:difyai123456@192.168.198.128:6379/1
1
2
3

2、聊天助手接入TongYi 大模型

新建一个智能聊天助手，线上的通义千问大模型就成功接入进来了

二、基于知识库搭建聊天助手：搭建知识库，并在聊天助手中进行知识检索

参考 知识库 | 中文 | Dify

1、知识库创建的前期准备

1）配置Cohere的ReRank模型

Cohere官网如下https://cohere.com/，可以在这里获取试用的ApiKey，并在Dify上配置模型提供商，配置效果如下：

2）启动定时任务用于处理要分段的文档

参考 Local Source Code Start | English | Dify

如果不执行如下命令，去启动定时任务处理文档分段清洗的任务，这个任务会一直显示在 “排队” 中的。在Windows中命令如下：

celery -A app.celery worker -P solo --without-gossip --without-mingle -Q dataset,generation,mail --loglevel INFO
1

启动时不需要关闭Flask后端服务，启动效果如下：

2、创建知识库：文档分段清洗

参考创建知识 上传文档 | 中文 | Dify

在选择数据源中导入本地文档后（支持的格式挺多的：TXT、 MARKDOWN、 PDF、 HTML、 XLSX、 XLS、 DOCX、 CSV），可以对文本进行分段清洗、右边为分段清洗后的预览结果

这里可以选择自动分段清洗 或者 自定义规则清洗

接着可以选择不同的索引方式 - 高质量 & 经济：

如果选择高质量可以用到embedding采用Q & A的模式进行分段，也可以使用ReRank模型（比如上面配置的Cohere ReRank模型）通过embedding进行文本检索，而经济型就没有这个功能。

处理完成后（需要开启定时任务，不然创建知识库完成后，知识库分段清洗任务一直处于排队状态），可以在知识库中查看相应文档的分段内容，可以选择禁用/启用某个片段，这样可以减少Cohere Rerank的检索范围。

3、召回测试

关于召回测试/引用归属 的功能配置 参考 召回测试/引用归属 | 中文 | Dify

这里要选择向量检索（不知道为什么全文检索不出内容）

召回测试效果如下：

Note：这里的文档分段只开启了三个，其余都禁用（如果全启用，Cohere free ReRank模型会报错）

4、在聊天助手中进行知识检索，并绑定知识点引用和归属

召回测试可以检索出相应的文本片段后，可以在智能体的提示词编排设置中，外挂相应的知识库，进行知识检索

这里要选择向量检索（不太清楚为什么上面的全文检索不能从知识库中检索到片段内容）

还可以在聊天增强功能中，新增关于“知识库的引用和归属”

三、基于工具将聊天助手升级为Agent：外挂arxiv工具查询论文

Dify提供了很多Agent工具（强）

这里以arxiv论文查询工具为例（提示词可以让文心一言/通义千问生成，然后粘贴过来）

其实Agent实现的功能可以将其流程化，文本输出流程如下：

• 1）预处理为arxiv的查询参数；

• 2）通过arxiv search返回响应结果；

• 3）将arxiv工具的响应结果交给GPT整理输出；

其实并不是所有的文本输入都会触发“arxiv工具”的查询，需要关键词具有与“查询“相关语义才行

四、工作流编排：编排流程节点，可视化创建聊天助手

节点说明：节点说明 | 中文 | Dify

预览与调试：预览与调试 | 中文 | Dify

这里参考上面所搭建的聊天机器人，通过如下应用场景完成工作流的编排，搭建一个小的Agent应用：

假设用户输入一个文本

• 流程1：如果文本中包括webhook关键字，则先从知识库中进行检索，接着拼接用户输入的文本，交给LLM去整理输出；
• 流程2：如果文本中包括query或者查询关键字，则先通过参数提取器提取要查询的关键字，接着通过arxiv论文查询工具查询指定关键字的论文，接着讲用户的输入转写成arxiv的输出，并交给LLM去解析arxiv的响应结果；
• 流程3：如果文本中不包括以上两种关键字，则直接调用LLM输出结果

用户问题1：第一个helloWorld起源于哪一年？（走流程3）

用户问题2：webhook是什么？webhook的作用是什么？（走流程1）

用户问题3：查询近几年LLMOps相关的论文？（走流程2）

在“探索“区测试自己通过工作流编排后的应用：

Note：

工作流编排技巧小结：主要是关注用户输入的文本数据走那个流程，在流程中的每个节点上是怎么被处理的，以及通过写prompt对智能体的行为配置进行管理

• 1）在开始节点定义变量用于接收用户输入的文本；

• 2）不同节点间通过变量来传递，下游节点可以接收所有上游节点的所有变量；

• 3）如果流程在Run时报错，可以单节点Debug查看文本转换是否符合预期要求，并修改LLM的提示词，或者增加其他功能节点。