垦荒学园
  • 中文

      • 实战案例

      三个由浅入深的例子：知识库 FAQ、分类后回答的工作流、用 Python 调 Service API。请先完成 快速上手 与至少一个 模型供应商。

      案例 1：带知识库的 FAQ Bot

      目标： 同事用自然语言问内部制度，回答必须能指向文档，而不是模型「感觉上对」。

      准备一份 faq.md（示例片段）：

      # 差旅报销
- 市内交通凭电子发票，单日上限 80 元。
- 高铁二等座实报实销；一等座需总监书面批准。
# 设备领取
- 新员工入职 3 个工作日内到 IT 窗口领取电脑，需工号。

      步骤：

      1. Knowledge：新建库，上传 faq.md，分块用 General 或 Parent-child，索引 High Quality + 混合检索
      2. 检索测试：「市内交通一天能报多少？」应命中「80 元」那一段
      3. 新建 Chatbot，绑定该知识库
      4. 提示词写死依据与拒答，例如：
      只根据知识库回答报销与设备问题。列出依据原文。
检索为空时回复：未在制度中找到，请联系 HR。不要编造金额。
      1. 预览再问一句文档里没有的「加班餐补」——应走拒答，而不是编一个数
      2. Publish Web App，用另一浏览器打开验收

      对照 LangChain 文档问答：那里自建 Retriever；这里知识库替代了那 30 行索引代码。

      案例 2：先分类，再回答的 Workflow / Chatflow

      目标： 制度问题走检索；闲聊或无关问题走固定拒答，避免把整库当搜索引擎扫。

      在 Studio 新建 Chatflow（要对话壳）或 Workflow（只要 API 一次出结果）。画布：

      1. User Input — 用户消息作为 query
      2. Question Classifier — 类别：policy（差旅/设备/报销）、chitchat（问候）、other
      3. policy → Knowledge Retrieval（案例 1 的库，query = 用户消息）→ LLM（仅依据检索）
      4. chitchat → LLM（短欢迎 + 说明只能答制度）
      5. other → LLM 或 Template（固定句子：「请改述为制度相关问题」）
      6. 各边连到 Answer（Chatflow）或 Output（Workflow）

      准备 15 条标注过的问句，看分类是否稳定。不稳就改类别描述（写成「询问金额、发票、工号领取」而不是一个词 policy）。这比纯 Agent 更适合合规：路径在图上，不在模型心情里。

      案例 3：Python 后端集成

      目标： 你们自己的站点收用户问题，服务端调用 Dify，不把 Key 暴露给浏览器。

      import os
from typing import Any

import requests

class DifyChat:
    def __init__(self) -> None:
        self.base = os.environ.get("DIFY_API_BASE", "http://localhost/v1").rstrip("/")
        self.key = os.environ["DIFY_API_KEY"]

    def ask(self, query: str, user: str, conversation_id: str = "") -> dict[str, Any]:
        payload = {
            "inputs": {},
            "query": query,
            "response_mode": "blocking",
            "user": user,
        }
        if conversation_id:
            payload["conversation_id"] = conversation_id
        r = requests.post(
            f"{self.base}/chat-messages",
            headers={"Authorization": f"Bearer {self.key}"},
            json=payload,
            timeout=90,
        )
        r.raise_for_status()
        return r.json()

if __name__ == "__main__":
    client = DifyChat()
    first = client.ask("市内交通报销上限是多少？", user="staff-7")
    print(first.get("answer"))
    cid = first.get("conversation_id", "")
    second = client.ask("那高铁一等座呢？", user="staff-7", conversation_id=cid)
    print(second.get("answer"))

      user 用你们登录系统里的稳定 id。第二问必须带上 conversation_id，否则模型不知道「那」指什么。Chat 应用用 /v1/chat-messages；纯 Workflow 用该应用 API 页上的 run 接口并传 inputs。

      反模式

      反模式改进
      知识库塞进整本无结构扫描件还不看切块先检索测试，再给用户
      一个 Agent 配 30 个工具、迭代拉满拆 Workflow，工具分组
      Key 写进前端或示例仓库BFF + 环境变量
      换了 Embedding 却不重建索引全量重处理

      下一步

      评论