企业级AI应用，Dify集成RAGFlow知识库保姆教程

第一部分：RAGFlow 端配置

在 Dify 能够调用之前，确保 RAGFlow 已经就绪并提供了可访问的 API。

步骤 1: 确保 RAGFlow 正常运行

具体可以参考：

https://blog.csdn.net/qq_35354529/article/details/151149191?spm=1001.2014.3001.5502

注意启动命令使用docker compose -p ragflow up -d

RAGFlow 服务应该已经通过 Docker 正常启动。
通过浏览器访问 RAGFlow 的 Web 界面（通常是 http://你的服务器IP:80，我这个访问的地址是http://服务器ID:8580），确保可以正常登录。

步骤 2: 创建知识库并上传文档

登录 RAGFlow 后，点击"知识库" -> "新建知识库"，创建一个新的知识库。
进入该知识库，点击"上传文件"，将包含复杂表格和图片的 PDF 文档上传。

步骤 3: 创建 API 密钥

点击页面右上角的"头像"图标。
创建API KEY

API KEY: ragflow-E5ZW***************************** 后续提供给Dify调用RAGFlow使用

记录RAGFlow知识库ID

步骤 4: 记录 API 端点信息

RAGFlow API 基地址（Base URL） ：通常是 http://RAGFlow服务器IP:8580
检索接口路径 ：/api/v1/retrieve
完整的检索端点 URL ：http://RAGFlow服务器IP:8580/api/v1/retrieve
RAGFlow知识库ID：581af2b2889a11f082420242ac1f0006

第二部分：Dify 端配置

现在，在 Dify 中创建一个应用，并通过工作流调用 RAGFlow知识库。

步骤 1: 在 Dify 中创建一个外部知识库

创建外部知识库API
召回测试

API Endpoint: http://RAGFlow服务器IP:8580/api/v1/dify

API KEY: RAGFlow提供的API KEY

步骤 2: 在 Dify 中创建新应用

登录你的 Dify 控制台。
点击"创建新应用"，选择"ChatFlow"

步骤 3: 构建工作流

进入应用的工作流编辑界面，按以下顺序添加和配置节点：

节点 1: 开始

拖入一个 "开始" 节点。它代表了用户输入的提问。

节点 2: 知识检索

拖入一个 "知识检索" 节点。设置知识库。

节点 3: LLM（大语言模型）

拖入一个 "LLM" 节点。
设计系统提示词
可以根据需要调整温度和最大生成长度等参数。

python 复制代码

你是一个专业的问答助手。请严格根据<知识库内容>来回答用户的问题。

# 知识库内容：
{{#context#}}

# 用户问题：
{{#sys.query#}}

# 回答要求：
1.  **精准忠实**：答案必须完全源自上述<知识库内容>。严禁编造、演绎或使用外部知识。
2.  **清晰有条理**：组织你的答案，使其逻辑清晰、易于理解。可以使用列表、分点等方式。
3.  **引用溯源**：如果<知识库内容>中包含了明确的来源（如文件名、URL、章节名），请在答案末尾以"来源：[此处填写来源]"的格式注明。
4.  **不确定性处理**：如果<知识库内容>中**完全没有**与用户问题相关的信息，请明确告知用户"根据现有资料，我无法找到相关问题答案。"
5.  **完整性**：尽量提供完整的信息，如果问题涉及多个方面，请覆盖所有方面。

现在，请开始回答。

节点 4: 直接回复

拖入一个 "直接回复" 节点。
将其连接到"LLM"节点之后。这个节点会将 LLM 生成的最终答案返回给用户。

测试：

关键注意事项

使用 Docker 网络隔离：为每个项目创建独立的网络
使用环境变量文件 ：为每个项目创建独立的 .env 文件
启动RAGFlow与Dify：

python 复制代码

# 在 Dify 目录中，使用项目名 "dify"
cd /dify1.8/dify-1.8.0/docker
docker compose -p dify down
docker compose -p dify up -d

# 在 RAGFlow 目录中，使用项目名 "ragflow"
cd /path/to/ragflow
docker compose -p ragflow down
docker compose -p ragflow up -d