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
  1. 登录 RAGFlow 后,点击"知识库" -> "新建知识库",创建一个新的知识库。
  2. 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
  1. 点击页面右上角的"头像"图标。
  2. 创建API KEY

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

  1. 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
  1. 创建外部知识库API

  2. 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
  1. 登录你的 Dify 控制台。
  2. 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)

  1. 拖入一个 "LLM" 节点。
  2. 设计系统提示词
  3. 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

  1. 拖入一个 "直接回复" 节点。

  2. 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

  1. 使用 Docker 网络隔离:为每个项目创建独立的网络
  2. 使用环境变量文件 :为每个项目创建独立的 .env 文件
  3. 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
相关推荐
GoldenSpider.AI8 分钟前
讲透 Claude Code 的 Code Mode:原理、流程、用法与 24 轮实测
人工智能·ai编程·claude code
oak隔壁找我10 分钟前
一款运行在 DSH(DeepSeek Harness)中的工作区文件管理插件
人工智能
江屿风18 分钟前
AI Agent架构全解析:从规划到记忆的智能跃迁
人工智能·笔记·架构·agent·c/s·mcp工作流
ZONGYUAN-ROOT21 分钟前
【API配额】多源 LLM API 配额池化实战:轮换调度、变化量监控、故障自愈一套方案(Python 完整实现)
人工智能
syso_稻草人31 分钟前
qwen-image-2.1 高清放大拆解:Qwen21LatentUpscale 潜空间 2x + denoise 0.35 修细节,12 组场景实测
人工智能·stable diffusion·prompt·comfyui·qwen-image2.1
羲云网络1 小时前
GPT Image 2.6 动态表情怎么改:从情绪歧义到动作节奏验收
人工智能·gif·图像编辑
EatFan2 小时前
AI Agent 工程化元年:从单体智能到 Agent 集群的架构演进与落地路径
人工智能·架构·ai agent·autogen·crewai·agent集群·记忆工程
泯泷2 小时前
别再“裸聊”大模型了!你家的 AI 为什么总胡说八道?根子在 RAG
人工智能·算法·架构
玖米GEO运营王总监2 小时前
成都AI数字人视频怎么批量生产?流程与合规标注
大数据·人工智能·音视频
f6m274dww2cmd3 小时前
拆一个类目第一的20个曝光词:43% 的搜索量来自第二页
人工智能