智能体开发实战（Dify）（微课版）课件 全套 项目1-7 智慧校园智能体初探-开发环境搭建 (1) - -智慧校园智能体深研-深度研究工作流开发

项目一智慧校园智能体初探—开发环境搭建项目背景与目标教学目标技能目标部署Dify智能体开发环境具备智能体开发环境的部署能力。能够独立完成Docker容器环境的安装，并成功部署Dify本地化开发平台，确保服务正常运行构建智慧校园对话应用技巧能够使用低代码平台构建基础应用。熟练操作Dify平台界面，能够创建一个基于大模型的“智慧校园”对话应用掌握提示词的编写与优化技巧。能够运用结构化提示词方法论，编写逻辑清晰、指令明确的提示词具备应用调试与发布能力。能够利用平台的调试工具对应用进行测试，并完成应用的公开发布与分享教学目标知识目标理解智能体的基本概念与演进逻辑，掌握大语言模型（LLM）与智能体（AIAgent）的区别与联系智能体架构与AIAgent组件协同掌握智能体架构的核心要素。能够阐述AIAgent的四大核心组件（大脑、规划、记忆、工具）及其协同工作原理熟悉Dify开发平台的技术特性。认识Dify平台的核心能力，理解对话型、工作流型与智能体型三种应用形态的差异与适用场景理解提示词工程的基本原理。教学目标素养目标培养工程思维规范操作习惯技术赋能创新意识强化数据安全合规意识项目背景智能体技术推动任务执行跨越随着人工智能技术的飞速发展，大语言模型（LLM）已成为推动数字化转型的核心引擎。从通用的文本生成到垂直领域的专业问答，LLM展现了强大的认知与推理能力。然而，在实际的企业应用与行业落地过程中，单纯依赖大模型往往面临着与业务系统脱节、无法处理动态数据以及缺乏执行能力等挑战。为了突破这些局限，智能体（AIAgent）技术应运而生，它通过赋予模型感知、规划、记忆和工具使用能力，实现了从“内容生成”到“任务执行”的跨越。智慧校园AI升级服务效率各类组织机构正面临着从信息化向智能化升级的紧迫需求。以教育场景为例，传统的校园服务系统往往功能分散、交互生硬，师生在获取信息和办理业务时需要跨越多个平台，效率低下。构建基于AIAgent技术的“智慧校园”应用，能够通过自然语言交互，整合校园知识库与业务流程，为师生提供精准、实时的智能服务AI应用开发入门实践依托Dify这一国产开源的大模型应用开发平台，部署与搭建好智能体开发环境，通过构建一个基础的对话式应用，引入智能体开发的核心概念与全流程操作。这不仅是技术入门的必要环节，更是理解现代AI应用架构、掌握提示词工程（PromptEngineering）以及熟悉大模型应用生命周期的关键起点。通过本项目的实践，将为后续开发更复杂的任务型智能体和工作流编排奠定坚实的技术基础。项目目标构建智能体开发环境与应用本项目旨在构建智能体开发的基础运行环境与初步应用能力。通过部署Dify开源平台，搭建本地化开发环境，并基于该平台开发“智慧校园”对话应用，验证环境的可用性与交互逻辑。同时，结合提示词工程实践，完成应用效果的初步调优。项目实施将打通从理论认知到工具操作的关键链路，为后续构建复杂任务型智能体奠定坚实的技术基础项目分析智能体开发工程化路径探索本项目是智能体开发的入门基石，其核心逻辑遵循“环境构建—工具认知—应用实践”的工程化路径。为了达成上述项目目标，我们将整个项目拆解为三个紧密关联的实施阶段Dify平台容器化部署实践首先是基础设施层的搭建。智能体应用的运行依赖于稳定的底层环境。本项目选用Docker容器化技术部署Dify开源平台，这种方式不仅能够屏蔽不同操作系统间的差异，还能让开发者直观理解微服务架构下数据库（Redis/PostgreSQL）、后端服务与前端界面的依赖关系。这一阶段重点解决“在哪做”的问题，为后续开发提供纯净、可控的实验场Dify平台Chat应用验证LLM能力其次是核心能力层的认知。Dify平台集成了从模型接入、知识库管理到工作流编排的全链路能力。在环境就绪后，需要深入理解Chat（对话型）、Workflow（工作流型）与Agent（智能体型）三种应用形态的区别。本项目选择以最基础的Chat形态切入，能够快速验证LLM的推理能力与环境的连通性，解决“用什么做”的问题智慧校园实战优化模型输出最后是业务应用层的实战。仅仅拥有工具是不够的，关键在于如何驾驭工具解决实际问题。本项目选取“智慧校园”这一典型场景，通过编写结构化提示词，定义智能体的角色（如校园向导）、任务（如生活指引）及约束条件。这一阶段将抽象的技术理论转化为可视化的对话效果，重点解决“怎么做”的问题，并初步体验通过迭代提示词来优化模型输出质量的调试过程智能体开发全流程认知建立通过这三个阶段的循序渐进，项目将帮助读者建立起对智能体开发全流程的宏观认知，完成从“使用者”到“开发者”的身份转变知识准备智能体（AIAgent）概述

AI从工具到助手的转变人工智能技术正在经历从“被动工具”向“主动助手”的范式转变。在这一进程中，智能体（AIAgent）作为大语言模型（LLM）能力的延伸与具象化应用，正逐渐成为连接数字世界与物理世界的关键桥梁。智能体（AIAgent）概述：从大语言模型到智能体的进化

国产大模型进展与局限以百度文心一言、阿里通义千问、智谱GLM以及DeepSeek等为代表的国产大语言模型，展现出了惊人的文本生成、逻辑推理和知识检索能力，被视为通向通用人工智能（AGI）的重要基石。然而，仅依靠LLM自身仍存在一定的局限性：模型本质上是一个静态的知识库，缺乏与外部环境交互的通道，无法直接执行操作，且受限于训练截止时间，难以获取实时信息

智能体AIAgent进化论智能体（AIAgent）的概念应运而生。如果将大语言模型比作“大脑”，那么智能体则是为这个大脑配备了“五官”（感知能力）和“四肢”（执行能力）。这种进化体现在以下三个关键维度的跨越

动态交互新模态闭环系统升级从“静态问答”到“动态交互”。传统的LLM交互模式是“用户提问-模型回答”。而Agent能够感知环境变化，主动发起多轮交互，根据反馈不断调整策略，形成“感知-决策-行动-反馈”的闭环系统

从纸上谈兵到知行合一从“纸上谈兵”到“知行合一”。LLM仅能生成文本建议，无法直接改变现实状态。智能体通过集成工具（Tools）接口，具备了调用搜索引擎、执行代码、操作软件API甚至控制硬件设备的能力。例如，大模型可以生成订票攻略，而智能体可以直接完成查询航班、比价、下单支付的全过程智能体（AIAgent）概述：从大语言模型到智能体的进化智能体（AIAgent）概述：从大语言模型到智能体的进化垂类专家超越通用全才从“通用全才”到“垂类专家”。LLM追求通用性，而Agent通过记忆机制（Memory）和规划能力（Planning），能够根据特定领域的业务逻辑和历史上下文，处理复杂的长程任务，展现出更强的专业性和任务完成率智能体LLM核心驱动自主决策执行智能体是以LLM为核心控制器，具备感知、记忆、规划和行动能力的智能系统。它是AI技术从AI内容生成（AIGC）迈向自主决策与执行（AgenticAI）的必然产物智能体（AIAgent）概述：常见的智能体架构与应用场景

常见的智能体架构与应用场景为了实现上述能力，业界涌现出多种智能体设计架构。尽管具体实现各异，但大多数智能体架构都围绕着一个核心公式展开Agent=LLM（大脑）+Planning（规划）+Memory（记忆）+Tools（工具）

主流智能体设计架构智能体的核心运行机制通常遵循“感知（Perception）—规划（Planning）—行动（Action）”的闭环流程。根据任务处理方式的不同，主要分为单智能体架构与多智能体架构智能体（AIAgent）概述：常见的智能体架构与应用场景单智能体架构（Single-AgentArchitecture）单智能体架构由一个核心LLM驱动，依靠自身的推理能力和工具集完成任务。目前最典型的两种模式为ReAct模式与Plan-and-Solve模式ReAct模式是目前较为通用的智能体实现方式之一。其核心思想是将“推理（Reasoning）”与“行动（Acting）”紧密结合。在执行任务时，智能体不会一次性生成所有步骤，而是遵循“思考—执行—观察”的循环。思考（Thought）分析当前状态，决定下一步该做什么。行动（Action）调用工具（如搜索API、计算器）。观察（Observation）获取工具返回的结果（如搜索到的网页内容）。循环（Recycle）根据观察结果，进行新一轮的思考，直到目标达成，这种模式具有极强的纠错能力和环境适应性，特别适合处理需要多步交互和实时信息获取的任务。如图1-2所示展示了ReAct模式工作原理智能体（AIAgent）概述：常见的智能体架构与应用场景智能体（AIAgent）概述：常见的智能体架构与应用场景多智能体架构（Multi-AgentArchitecture）当面对极度复杂的任务时，单个智能体的上下文窗口和推理能力可能遭遇瓶颈。多智能体架构通过引入多个角色各异的智能体，模拟人类团队的协作模式角色协作模式（Role-PlayingCollaboration）系统定义多个具备特定“人设”和“技能”的智能体。例如，在软件开发场景中，配置“产品经理智能体”负责分析需求，“开发工程师智能体”负责编写代码，“测试工程师智能体”负责检查代码。它们遵循预设的标准作业程序（SOP），通过消息传递机制交换信息，共同交付成果。对抗与辩论模式则引入持有不同观点的智能体进行辩论，或者引入“评审员智能体”对“执行者智能体”的输出进行严格质询。通过多轮博弈，过滤掉幻觉和逻辑漏洞，从而输出更高质量的解决方案智能体（AIAgent）概述：常见的智能体架构与应用场景常见的智能体架构与应用场景1.

企业级自动化流程传统的机器人流程自动化（RPA）仅能执行固定的规则脚本。引入智能体后，系统能够理解非结构化数据。例如，财务智能体可以读取不同格式的发票扫描件，理解邮件中的报销说明，自主登录ERP系统完成填单和审批流转，仅在遇到异常时呼叫人工介入。2.智能代码工程在软件开发领域，智能体已从代码补全工具进化为全流程工程师。它们能够自主阅读技术文档、规划项目结构、编写代码、运行测试用例并根据报错信息进行调试。这种“AI程序员”大幅降低了开发门槛，提升了代码生产效率。常见的智能体架构与应用场景3.领域知识问答与决策支持结合检索增强生成（RAG）技术，专业领域的智能体（如法律顾问、医疗助手）能够挂载海量的行业法规或医学文献库。它们不仅能回答咨询，还能依据事实数据生成专业的法律文书或诊疗建议草案，辅助专家进行决策。4.个性化私人助理面向终端用户，智能体充当全能数字管家。它能够跨越App的边界，整合日历、地图、订票软件和邮件系统。例如，用户只需下达“安排下周三去上海出差”的指令，智能体即可自动规划行程、比对机票价格、预订酒店并发送会议邀请，实现“一语成事”。Dify平台基础在智能体开发领域，选择合适的开发框架与平台能够显著提升开发效率与应用质量。Dify是一款由中国团队开发和维护的国产开源大模型应用框架，作为一个开源的大语言模型（LLM）应用开发平台，凭借其可视化的编排能力和完善的后端服务，成为了当前构建AI应用的主流工具之一。Dify的核心能力

模型中立与接入管理Dify屏蔽了底层模型的差异，支持接入全球主流的大语言模型（如GPT、Claude、Llama）以及国产大模型（如通义千问、文心一言、DeepSeek）。开发者可以根据任务需求，在不同模型之间灵活切换，或通过本地部署模型（Ollama、vLLM等）降低推理成本

检索增强生成（RAG）引擎检索增强生成（RAG）是一种将外部知识检索与大模型生成相结合的技术，通过先检索相关资料，再基于检索结果生成回答，从而提升回答的准确性与可靠性Dify内置了完整的RAG流水线，涵盖文本分段、清洗、索引以及向量检索。开发者无需从零构建向量数据库，即可上传文档构建私有知识库，赋予智能体基于特定领域知识回答问题的能力

可视化编排与提示词IDE提供所见即所得的提示词编辑器和流程编排界面。开发者可以通过图形化拖拽的方式定义业务逻辑，调试提示词效果，并实时预览应用表现。

后端即服务（BaaS）自动生成API接口，并提供应用日志管理、标注改进以及持续运营分析功能。这使得开发者能够专注于业务逻辑的设计，而无需过多关注服务器运维与接口封装。Dify技术架构

技术架构从系统架构角度来看，Dify采用模块化设计，主要分为三层基础设施层（InfrastructureLayer）：负责底层计算资源的调度与模型的推理接入，包括向量数据库和缓存服务核心引擎层（CoreEngineLayer）：这是平台的中枢，包含Agent编排引擎、工作流（Workflow）执行器以及RAG检索管道。该层负责解析用户指令，调度模型进行推理，并管理上下文记忆应用服务层（ApplicationLayer）：面向最终用户和开发者，提供Web前端界面、API网关以及插件扩展机制Dify基础对话、工作流与智能体应用形态对比

基础对话、工作流与智能体应用形态对比在Dify平台中，为了适应不同复杂度的业务场景，应用被划分为三种主要形态：基础对话（Chat）、工作流（Workflow）和智能体（Agent）。理解这三者的区别与适用边界，是进行应用选型的关键。基础对话应用基础对话应用是最基础的应用形态，通常用于构建简单的问答机器人或客服助手工作机制：基于“一问一答”的模式，系统接收用户输入，结合预设的提示词（Prompt）和上下文历史，直接调用大模型生成回复特点：结构简单，响应速度快，侧重于语言理解和文本生成适用场景：客户服务问答、文章摘要生成、语言翻译助手等对逻辑推理要求不高的场景工作流应用工作流应用引入了确定性的逻辑编排，将复杂的业务流程拆解为图形化的节点（Node）工作机制：采用有向无环图（DAG）结构。任务的执行路径是预先定义好的，数据在不同的节点（如“大模型节点”“代码执行节点”“条件判断节点”）之间按顺序流转特点：逻辑严密，可控性强，结果具有高度的确定性。它强调的是“流程自动化”而非“自主决策”适用场景：长文本翻译流程（分段、翻译、校对、合并）、自动化内容审核流水线、结构化报告生成等基础对话、工作流与智能体应用形态对比类型定义特点典型应用提示词工程型最基础的形态，主要依赖精心设计的自然语言指令提示词来引导大模型扮演特定角色或执行特定任务。开发门槛低，但逻辑处理能力受限于模型上下文窗口，难以处理复杂、多步骤的业务流角色扮演机器人、文章润色助手、翻译助手等流程编排型将业务逻辑拆解为确定的步骤（节点），通过“工作流”将大模型、代码脚本、API接口串联起来具备极高的确定性和可控性，能够精准执行企业级业务逻辑，减少模型幻觉，是当前行业应用的主流方向客户服务工单流转、合同自动审核系统、数据清洗流水线自主规划型赋予模型自主设定目标、拆解任务、使用工具并自我反思的能力（如AutoGPT模式）灵活性极强，能应对未知问题，但目前稳定性较差，执行路径不可预测，往往陷入死循环，商业落地难度较大开放式市场调研、复杂代码项目构建、创意探索提示词工程提示词（Prompt）是人类与大语言模型（LLM）进行交互的指令语言。提示词工程则是指通过设计、优化和迭代输入文本，引导模型生成更准确、相关且高质量输出的技术过程。在智能体开发中，优秀的提示词设计相当于为AI编写了精确的“岗位说明书”和“操作手册”，直接决定了智能体在特定任务中的表现。经典的提示词框架为了提高模型指令遵循的准确性，业界总结出了一系列通用的提示词编写框架。这些框架通过规范信息的组织形式，帮助开发者明确意图，减少模型的幻觉与歧义。经典的提示词框架ICIO框架ICIO框架侧重于指令的清晰传达，包含4个核心要素Instruction（指令）：明确要求模型执行的具体任务Context（背景）：提供任务相关的背景信息，帮助模型理解场景InputData（输入数据）：告知模型需要处理的具体数据或内容OutputIndicator（输出指引）：规定输出的格式、风格或长度限制【Instruction】：请将以下会议记录内容整理成一份正式的会议纪要。【Context】：这是某科技公司关于“智慧校园”项目一期上线的内部沟通会，参会人员包括产品经理、开发组长和测试组长。【InputData】：[此处粘贴原始的语音转文字记录...]【OutputIndicator】：请使用Markdown格式，包含“会议主题”、“决议事项”、“待办任务（需注明负责人）”三个部分，语言风格需简洁干练。提示词工程：经典的提示词框架BROKE框架BROKE框架更强调对任务流程的完整控制，适用于较复杂的任务场景Background（背景）：设定模型的角色身份与任务环境Role（角色）：进一步强化角色职能及核心目标Objectives（目标）：列出需要达成的具体成果指标KeyResults（关键结果）：定义必须满足的限制条件（如字数、格式、禁忌词）Examples（示例）：提供参考范例（Few-Shot），让模型模仿特定的风格或逻辑【Background】：你是一个资深的Python后端开发工程师，熟悉Flask框架。【Role】：你的任务是编写健壮的API接口代码。【Objectives】：编写一个用户登录接口，接收JSON格式的用户名和密码。【KeyResults】：必须包含异常处理（try-except）。密码必须进行哈希验证，不能明文比对。返回标准HTTP状态码（200成功，401失败）。代码需包含详细注释。【Examples】：输入：{"username":"admin","password":"123"}期望代码风格：@app.route('/login',methods=['POST'])deflogin():#获取数据data=request.get_json()...结构化提示词智能体开发场景下，随着任务复杂度的提升，简单的自然语言描述往往难以支撑复杂的业务逻辑。结构化提示词借鉴了编程语言的思维，利用Markdown语法（如标题、列表、代码块）将提示词模块化、层次化。这种方式不仅便于人类阅读和维护，也能显著提升LLM对指令的解析效率。结构化提示词的核心特征

（1）模块化：将复杂提示词拆解为角色（Role）、简介（Profile）、约束（Constraints）、工作流（Workflow）等独立模块。（2）标签化：使用特定符号（如#、[]、<>）标识不同的信息层级，帮助模型区分指令、数据与注释。（3）标准化：遵循固定的模板格式，便于在团队间复用和迭代。结构化提示词示例#Role:英语学习助手##Profile-Author:智能体开发实战团队-Version:1.0-Language:中文-Description:一个专注于帮助用户记忆英语单词的辅助工具，能够提供词源解析和场景例句。##Goals1.解释用户提供的英语单词含义。2.分析词根词缀，辅助记忆。3.提供3个不同场景的实用例句。##Constraints-解释必须通俗易懂，避免过于学术化。-如果单词有多种含义，仅列出最常用的2种。-输出格式必须严格遵循OutputFormat部分的要求。##Workflow1.接收用户输入的单词。2.判断单词拼写是否正确，若错误则提示修正。3.按顺序输出：中文释义->词源分析->场景例句。##OutputFormat###单词：[单词原型]-**释义**：[中文释义]-**记忆法**：[词根/联想记忆]-**例句**：1.[例句1](中文翻译)2.[例句2](中文翻译)3.[例句3](中文翻译)##Initialization你好，我是你的英语学习助手。请发送你想学习的单词，我将为你提供详细解析。结构化提示词的关键要素

元数据与角色定义这是提示词的“声明区”，用于确立智能体的基本属性。其中，角色（Role）明确智能体的身份设定。大模型在扮演特定专家角色时，能够调用该领域的专业知识库，表现出更高的专业度。简介（Profile）则包含作者、版本号、语言偏好及功能简述。这不仅有助于提示词的版本管理，也能强化模型对自身定位的认知。背景上下文该要素为模型提供任务执行的必要前置信息，类似于函数的“输入参数”。背景上下文主要包括两类，一类是业务背景，描述任务发生的场景，如“用户正在进行商品退货咨询”另一类是知识库引用，如果任务依赖特定的文档或数据，需在此处明确指出，如“请基于提供的《员工手册》回答问题”。结构化提示词的关键要素

约束与规则这是控制模型行为边界的最重要部分，类似于编程中的“条件判断”与“异常处理”。其中否定约束明确禁止模型做的事情，如“严禁编造事实”、“不要输出政治敏感内容”。格式约束规定输出的形态，如“必须以JSON格式返回”、“代码块需包含注释”。思维链与工作流针对复杂任务，直接要求结果往往效果不佳。通过定义工作流，强制模型按照预设的步骤进行推理。步骤拆解将大任务分解为一步一步的执行序列。示例向模型展示“输入-输出”的样本对。大模型具有极强的模仿能力，提供1~3个高质量的示例（也叫做Few-ShotLearning）往往比长篇大论的解释更有效，特别是对于规范输出格式而言项目实施CONTENTS目录01

任务1.1Dify开发环境准备02

任务1.2Dify开发环境部署03

任务1.3给Dify开发环境添加大模型04

任务1.4创建“智慧校园”对话应用任务1.1Dify开发环境准备01任务描述搭建Dify平台开发环境在搭建开发环境与进行应用初探之前，首要任务是搭建一个稳定、高效的基础运行环境。Dify平台采用微服务架构设计，涉及前端Web服务、后端API、任务队列以及各类数据库组件。本任务要求在Windows10或Windows11操作系统上，根据不同系统版本（专业版/家庭版）开启虚拟化支持，部署DockerDesktop容器化管理工具，并获取Dify平台的源代码。最终目标是交付一个具备DockerEngine与DockerCompose运行能力的终端环境。任务分析

DifyDocker部署指南Dify官方推荐使用Docker进行容器化部署。在Windows环境下，DockerDesktop是最主流的解决方案，它依赖于底层的虚拟化技术。不同版本的Windows系统对虚拟化的支持方式略有差异，因此本任务的实施难点在于针对不同系统版本正确开启WSL2（WindowsSubsystemforLinux2）环境。具体有两个层面的问题要解决系统层专业版或企业版支持完整的Hyper-V和WSL功能，配置相对便捷。家庭版或教育版默认隐藏了Hyper-V部分功能，需要通过特定指令或安装WSL2补丁来支持Docker运行应用层：安装DockerDesktop并配置镜像加速，解决网络下载慢的问题DockerDesktopWSL2运行原理如图所示，展示了DockerDesktop如何利用WSL2在Windows上模拟Linux环境来运行容器原理，最底层是WindowsKernel、Hyper-V和WSL2构建的虚拟化层，中间层是轻量级虚拟机（LinuxKernel），最上层是DockerEngine及Dify的各类容器任务实现-硬件与网络要求

在开始部署前，需确保计算机硬件满足以下最低配置要求，以保证Docker及后续Dify服务的流畅运行

设备类型：台式机或笔记本电脑

操作系统：Windows10(64-bit)或Windows11(64-bit)

中央处理器：双核及以上架构（推荐4核以上，需支持虚拟化技术）任务实现-硬件与网络要求

内存：至少4GB（推荐8GB及以上，因为运行大模型应用较耗内存）

磁盘空间：系统盘或安装盘剩余空间不少于16GB

网络连接：具备可访问互联网的网络环境，用于下载安装包及拉取Docker镜像任务实现-开启系统虚拟化支持情况1：Windows10/11专业版（Pro）、企业版（Enterprise）、教育版（Education）启用WindowsHyper-V功能指南专业版、企业版、教育版系统拥有完整的Hyper-V管理功能，配置相对直接。在Windows搜索栏输入“启用或关闭Windows功能”，打开配置窗口。在列表中找到并勾选“Hyper-V”（确保其子项均被勾选）复选框，勾选“容器”复选框。单击“确定”按钮，等待系统应用更改后重启计算机。情况2：Windows10/11家庭版（Home）家庭版默认隐藏了Hyper-V管理器，需依赖WSL2(WindowsSubsystemforLinux2)及其底层虚拟化平台。在任务栏搜索框输入“启用或关闭Windows功能”。勾选以下两项（注意家庭版可能没有Hyper-V选项，无需勾选）：“适用于Linux的Windows子系统”、“虚拟机平台”。单击“确定”按钮并重启计算机接着更新WSL2内核，以管理员身份打开PowerShell，执行默认安装命令“wsl--install”，如果系统提示已安装但版本过旧，请运行更新命令“wsl--update”，强制将WSL2设置为默认版本“wsl--set-default-version2”。如果上述命令方式失败，可以手动下载wsl2并安装任务实现-开启系统虚拟化支持任务实现-安装DockerDesktop访问Docker官网下载适用于Windows的DockerDesktop安装程序，这里下载的是最新的AMD64版本。双击下载好的安装包，如果系统支持WSL2，安装过程会弹出“UseWSL2insteadofHyper-V(recommended)”选项，勾选即可。配置Docker镜像加速为了解决拉取镜像超时的问题，需配置镜像加速器。打开“DockerDesktop设置（Settings）”中的“DockerEngine”，在编辑框中添加registry-mirrors配置国内镜像源为“https://docker.m.daocloud.io”，也可以使用其他可用的镜像源。验证Docker安装成功待Docker界面左下角显示绿色的“Enginerunning”时，打开PowerShell输入“dockerrunhello-world”命令验证。任务实现-安装DockerDesktop任务小结

搭建Dify运行环境本任务完成了Dify基础运行环境的搭建。通过在Windows系统中开启WSL2虚拟化支持，我们成功安装了DockerDesktop工具，为后续部署Dify微服务架构奠定了坚实的底层容器化环境基础。任务1.2Dify开发环境部署02任务描述

部署Dify平台本地环境在完成了Docker基础环境的准备后，本任务将进入Dify平台的实际部署阶段。我们将利用已经下载好的Dify源代码，通过DockerCompose容器编排工具，一键拉取并启动包括API服务、Web前端、数据库（如PostgreSQL）、缓存（如Redis）及向量数据库（如Weaviate）在内的所有微服务组件。任务的最终交付标准是，在本地浏览器中成功访问Dify的初始化界面，完成管理员账号的注册，并顺利进入系统主控台任务分析Dify的本地化部署流程本质上是一个“获取源码—配置环境—启动服务—系统初始化”的过程。获取源码：为了确保网络稳定性，从Gitee（码云）官方镜像仓库下载Dify的源代码。环境配置

Dify的运行依赖于一系列环境变量（如数据库密码、API密钥配置等）。源码中提供了.env.example模板文件，我们需要将其复制并重命名为.env，使其生效。服务启动利用dockercomposeup命令，Docker会读取docker-compose.yaml文件，自动从镜像仓库下载所需的镜像，并按依赖顺序启动容器。系统初始化服务启动后，通过Web界面进行首次访问，系统会自动执行数据库迁移（Migration）并引导用户创建超级管理员账户。任务实现-从Gitee获取Dify源代码Gitee下载源码指南鉴于直接访问GitHub可能存在网络阻碍，本项目统一采用国内代码托管平台Gitee（码云）进行源码下载1.准备工作目录在计算机非系统盘（如D盘或E盘）新建一个文件夹，命名为“Dify”，作为项目的工作空间2.获取源代码访问Gitee项目主页，如图所示，单击右侧的“克隆/下载”按钮，选择“下载ZIP”。下载完成后，将压缩包解压至dify-project文件夹中3.验证目录结构双击进入解压后的dify文件夹，确保其中包含名为docker的子目录。该目录存放了后续部署所需的核心编排文件任务实现-从Gitee获取Dify源代码任务实现-配置环境变量DifyDocker部署与配置指南进入Docker部署目录./dify/docker。Dify使用.env文件来管理系统配置，需要基于官方提供的模板生成一份正式配置文件.复制配置文件.env.example为.env。对于初次部署，通常无须修改文件内的默认配置即可直接运行。如果本地80端口被占用，才需要编辑该文件修改EXPOSE_NGINX_PORT参数任务实现-一键启动服务Docker部署Dify服务流程1.进入./dify/docker目录，在终端中输入“dockercomposeup-d”。2.终端会显示下载进度（Pullinglayers）。3.由于Dify包含多个服务组件，镜像总大小约2-3GB，根据网络带宽不同，下载过程可能持续5到20分钟。4.直到所有服务状态均显示为Running或，且命令执行结束返回命令行提示符。切换镜像加速源重试下载如果在上述步骤中下载镜像失败，请检查并修改DockerDesktop中的registry-mirrors配置，以切换至可用的镜像加速源后再重新尝试下载任务实现—一键启动服务任务实现—访问与初始化Dify1.服务启动后，Dify的Web前端默认监听本地的80端口2.打开浏览器推荐使用Chrome或Edge浏览器，在地址栏输入“”3.设置管理员账号首次访问系统时，会自动跳转至初始化设置页面，如图所示。输入常用邮箱（这将作为超级管理员的登录账号），设置一个管理员昵称，设置登录密码（建议包含字母和数字，且长度不少于8位）。填写完成后，单击“设置”进行保存4.Dify账号登录与界面导航账号创建成功后，页面会自动跳转至登录页。输入刚才设置的邮箱和密码，单击“登录”按钮，成功进入Dify的应用主界面（Dashboard），如图所示。界面上方通常包含“探索”“工作室”“知识库”等导航菜单。至此Dify私有化开发环境已成功部署并可以使用任务实现—访问与初始化Dify任务小结本任务实现了Dify平台的本地容器化部署。通过获取源码、配置环境变量，并利用DockerCompose一键启动所需微服务组件，我们顺利完成了系统初始化及管理员注册，使Dify开发工作台全面就绪。任务1.3给Dify开发环境添加大模型03任务描述Dify平台与大语言模型协作机制Dify平台本身是一个应用编排引擎，它类似于一辆跑车的“底盘与车身”，而大语言模型（LLM）则是驱动其运行的“发动机”。在完成私有化部署的Dify环境中，默认可能未配置可用的模型服务。Dify集成通义千问提升中文能力本任务要求为Dify平台接入真实的商业级大模型能力。我们将选用阿里云提供的通义千问大模型，利用其提供的免费额度获取APIKey，并在Dify的模型供应商后台完成配置。任务完成后，Dify平台将具备强大的中文理解与生成能力，能够支持后续对话应用的构建。【任务分析】

Dify的“模型中立”特性使得接入模型的过程标准化且简便。

获取APIKey需要前往阿里云的“百炼”大模型服务平台，注册账号并开通通义千问服务，创建一个用于身份验证的APIKey。这是调用云端模型算力的凭证

配置模型供应商回到Dify的管理界面，找到模型供应商列表中的“通义千问”，将申请到的APIKey填入并保存。系统会自动验证密钥的有效性，并加载可用的模型列表。任务实现-申请阿里云通义千问APIKey1.通义千问提供免费API资源通义千问是当前中文能力表现突出的⼤模型之一，并为新用户提供一定额度的免费API调用资源，十分适合用于教学实战。在本教材编写期间，阿里云百炼平台向新用户提供为期90天的免费通义千问API调用额度，读者亦可根据实际需求选择其他提供免费服务的大模型平台2.登录阿里云百炼平台打开浏览器，访问阿里云百炼平台。使用支付宝或阿里云账号登录3.创建APIKey在控制台左侧菜单栏，单击“密钥管理”，单击“创建API-KEY”按钮4.保存sk开头密钥系统会生成一个以sk-开头的长字符串。请立即复制并保存这串字符，因为出于安全考虑，密钥在关闭弹窗后通常无法再次查看完整内容任务实现-申请阿里云通义千问APIKey任务实现-在Dify中配置模型供应商拿到APIKey后，就可以在Dify中配置通义千问的模型供应商1.进入模型设置登录本地部署的Dify平台（），单击页面右上角的个人头像（或账户名称），在下拉菜单中选择“设置”选项2.选择模型供应商在设置页面的左侧导航栏中，单击“模型供应商”选项。会看到包含通义、文心一言、深度求索等在内的众多供应商图标3.添加通义千问在列表中向下滚动，找到“通义”的图标，并单击“安装”按钮，等待插件安装成功4.配置APIKey“通义”插件安装成功后，会出现在模型列表中，单击通义图标右侧的“设置”按钮，APIKey输入框中填入刚申请的通义千问APIKey，并保存任务实现-在Dify中配置模型供应商任务实现-验证模型可用性1.查看可用模型列表在设置好供应商后，Dify会自动拉取该账号下可用的模型列表。可以看到如qwen-turbo、qwen-plus、qwen-max等不同规格的模型选项。2.系统默认模型设置为了方便后续使用，建议在“模型供应商”页面的顶部“系统模型设置”区域，将系统推理模型设置为qwen-plus，其他配置根据需要设置。这样在创建新应用时，系统会自动默认选用该模型，无须每次手动切换。3.Dify环境装配大模型成功至此Dify开发环境已成功装配了大模型，具备了处理自然语言任务的能力。接下来，就可以开始构建真正的智能体应用了任务实现-验证模型可用性任务小结本任务为Dify平台成功接入了真实的商业大模型算力。通过获取阿里云通义千问APIKey并在Dify后台完成供应商绑定，我们为平台装载了核心“发动机”，使其具备了强大的自然语言理解与生成能力任务1.4创建“智慧校园”对话应用04任务描述创建智慧校园助手应用将技术转化为业务价值，本任务要求在Dify平台中创建一个名为“智慧校园助手”的基础对话应用校园向导应用开发流程该应用的主要功能是模拟一位热情的校园向导，能够根据用户的提问，回答关于校园导览、课程查询、食堂推荐等基础问题。任务的具体内容包括：应用的创建与命名、角色设定与提示词编写、应用的调试与优化，以及最终的发布操作。通过本任务，将初步掌握基于Dify的智能体开发的完整闭环流程任务分析创建一个对话应用，本质上是定义AI模型的“人设”与“行为规范”。在Dify平台中，这一过程可以拆解为以下3个关键步骤1.应用脚手架搭建选择正确的应用类型。由于我们的目标是进行自然语言问答，因此应选择“聊天助手”类型。2.智慧校园助手提示词编写指南提示词工程是赋予AI智能的核心环节。我们需要为“智慧校园助手”编写一段结构化的提示词，明确它的身份（校园向导）、目标（服务师生）、语言风格（热情亲切）以及回复的约束条件（不回答校园无关问题）。3.调试与发布在正式发布前，需要在预览窗口进行多轮对话测试，观察模型是否执行了提示词的指令。确认无误后，将应用发布为可公开访问的Web链接。任务实现—创建新应用1.进入工作室登录Dify平台，点击顶部导航栏的“工作室”选项卡2.创建空白应用单击页面上的“创建空白应用”卡片3.填写应用信息在弹出的对话框中进行配置，应用类型选择“聊天助手”，应用名称输入“智慧校园助手”，描述输入“为师生提供校园导览、生活指引服务的智能助手”，图标可以点击默认图标，上传一张学校Logo或选择一个代表“教育”的图标。确认创建单击“创建”按钮，系统将自动跳转至应用的编排界面任务实现—创建新应用任务实现—设计与编写提示词1.编排界面操作指南进入编排界面后，左侧为“配置区”，右侧为“预览与调试区”。需要在左侧的“提示词”区域定义智能体的行为。2.选择模型在右上角的模型选择器中，选择系统默认配置的模型qwq-plus。3.编写结构化提示词将提示词内容复制并粘贴到“提示词”输入框中，这是一段智慧校园助手结构化提示词。#角色智慧校园金牌向导##简介-身份：拥有十年经验的校园生活顾问，熟悉学校的每一草一木。-语言风格：热情、亲切、充满活力，喜欢使用Emoji表情。-目标用户：在校学生、教职工及访客。##技能1.能够准确介绍校园地标建筑（如图书馆、体育馆、行政楼）的位置与开放时间。2.熟悉学校食堂的特色菜品与就餐高峰期。3.了解教务处的常用办事流程。##限制1.必须始终保持礼貌，以“同学”或“老师”称呼用户。2.如果用户的问题与校园生活无关（如询问娱乐明星八卦），请礼貌拒绝回答：“抱歉，作为校园向导，我只关注校园内的事情哦~”。3.回复尽量简短精炼，避免长篇大论。##初始化开场白：嗨！我是你的智慧校园向导。想知道图书馆几点闭馆？还是想找最好吃的红烧肉？快来问我吧！任务实现-调试与测试在发布之前，必须验证智能体是否理解了指令。在右侧的“预览与调试”窗口底部输入框中，输入测试问题“你好，你是谁？”，确认智能体是否能正常回复，如果智能体正常回复了，表示创建成功了。任务实现—发布应用确认调试效果满意后，即可将应用上线1.发布设置单击页面右上角的“发布”按钮，在下拉菜单中选择“发布更新”。这会将当前的配置保存为生产版本2.运行应用再次单击“发布”按钮，选择“运行”。系统会打开一个新的浏览器标签页，展示最终用户视角的对话界面3.分享链接在运行界面，复制浏览器地址栏的URL。可以将这个链接发送给同学或在手机上打开，可以体验完整的交互流程任务实现—发布应用【任务小结】智慧校园助手开发完成智慧校园助手开发完成本任务完成了“智慧校园助手”的开发。我们运用结构化提示词明确了AI的角色定位与行为边界，经过多轮对话测试与调优后，最终成功发布了Web应用链接，初步掌握了基于Dify的智能体开发完整闭环流程THEEND谢谢项目三

智慧校园智能体百事通--知识库问答构建项目背景与目标CONTENTS目录【教学目标】【项目背景】【项目目标】【项目分析】【教学目标】01技能目标能够使用Dify平台创建知识库，导入PDF、TXT等格式的本地文档，并配置合理的数据清洗与分段规则能够在智能体应用中挂载知识库上下文，编写引导大模型基于检索内容回答问题的提示词Dify调试工具优化检索性能能够利用Dify调试工具进行召回测试，熟练调整TopK、分数阈值（ScoreThreshold）等关键参数以平衡检索的查全率与查准率能够配置并应用重排序模型，通过混合检索策略解决复杂语义场景下的召回准确性问题知识目标理解检索增强生成（RAG）技术的架构逻辑，明确其在解决大语言模型“幻觉”及知识时效性滞后问题上的关键作用熟悉文本嵌入（Embedding）的基本概念，理解向量数据库在处理非结构化语义检索时的数学原理认知非结构化数据清洗的重要性，理解文本分段策略对信息检索精度的影响理解混合检索、重排序等高级检索优化手段的原理及其应用场景素养目标在处理原始数据时，养成规范化、严谨的数据治理意识，认识到“高质量数据是AI应用的基石”。调试检索参数时，培养通过控制变量法分析问题、优化系统性能的科学实验精神。在构建知识库过程中，树立对私有数据隐私保护及合规使用的责任感，理解RAG技术在企业数据隔离中的价值。【项目背景】02项目背景通用大模型局限与挑战随着通用大语言模型（LLM）的广泛应用，其凭借强大的自然语言理解与生成能力，在创意写作、代码辅助等领域展现出巨大价值。然而，在面向特定垂直领域的服务场景中，通用模型暴露出明显的局限性：一方面，它缺乏对特定组织内部私有数据（如企业规章、校园制度、项目文档）的认知，导致无法回答具体业务问题；另一方面，模型的训练数据存在截止时间，无法实时获取最新的动态信息。智慧校园精准问答方案在智慧校园建设中，学生与教职工常需咨询各类具体的管理规定，例如《学生手册》中的奖学金评定细则、宿舍管理条例或最新的校历安排。若直接使用未经定制的通用大模型回答此类问题，极易产生内容虚构（即“幻觉”）或答非所问的情况，严重影响用户体验与服务的权威性。为了解决这一痛点，引入检索增强生成（Retrieval-AugmentedGeneration，RAG）技术成为行业共识。该技术通过外挂本地知识库，使大模型在生成回答前能够先检索权威文档，从而实现“有据可依”的精准问答。项目目标03项目目标智慧校园制度百事通系统构建本项目旨在构建一个基于Dify框架的垂直领域问答系统——“智慧校园制度百事通”。该系统将不再依赖大模型的通用训练记忆，而是以校园相关文档为核心知识源，完成校园管理制度文档的数字化导入、清洗与向量化索引构建，形成可供计算机高效检索的专用知识库。搭建具备RAG能力的智能体应用，确保系统能针对校园相关具体问题，给出准确且带有原文引用的回答。通过调整文本分段策略、引入重排序（Rerank）模型及调试检索参数，解决语义模糊、多文档冲突等复杂场景下的召回准确率问题，确保系统的高可用性项目分析04项目分析智慧校园制度百事通开发解析构建“智慧校园制度百事通”本质上是一个典型的RAG应用开发过程。从技术实现路径来看，本项目可拆解为“数据处理”“应用编排”与“检索优化”三个核心环节。文档清洗与分段策略关键这是系统的基石。原始的PDF或Word文档通常包含大量格式噪音，且篇幅过长，不适合直接投喂给大模型。因此，必须利用Dify的ETL（ExtractTransformLoad）引擎，对文档进行清洗，并根据语义完整性将其切分为短小的文本块（Chunks）。分段策略的优劣直接决定了后续检索的颗粒度与准确度。构建系统骨架，根除幻觉现象这是系统的骨架。需要利用向量化模型将文本块转化为高维向量并存入向量数据库。在应用层，需配置上下文关联，使LLM能够接收检索到的文本片段。同时，通过提示词工程严格约束模型的行为，强制其“仅依据检索到的内容回答”，从而根除“幻觉”现象。混合检索重排序优化精度这是系统的精髓。单纯的向量检索在面对同义词、专有名词或复杂逻辑提问时可能存在精度瓶颈。因此，项目后期需引入混合检索与重排序（Rerank）机制。即先通过向量检索进行大范围的“粗排”，再利用精细的重排序模型对候选结果进行语义打分与“精排”，最终通过调整TopK和阈值参数，在信息丰富度与相关性之间找到最佳平衡点。知识准备检索增强生成（RAG）技术概论RAG技术提升垂直领域应用效果:

在构建垂直领域应用时，仅依靠通用大语言模型（LLM）往往无法满足对精确性、实时性和私有数据的需求。检索增强生成（Retrieval-AugmentedGeneration，简称RAG）技术作为一种将外部知识库与生成式大模型相结合的架构，已成为解决此类问题的核心方案。知识储备的滞后性与私有数据缺失:大语言模型的能力源自其训练阶段所使用的海量公共互联网数据。这些数据被压缩存储在模型的参数（ParametricMemory）中。大模型的幻觉与知识局限性：尽管大语言模型在自然语言理解与生成方面表现卓越，但在实际落地应用中，尤其是面对校园制度查询、教务管理等对准确性要求极高的场景时，其存在显著的内生缺陷。

检索增强生成（RAG）技术概论知识储备的滞后性与私有数据缺失1.时间滞后性模型的知识截止于训练结束的时间点。对于训练截止后新发布的校园通知、新修订的奖学金政策等实时信息，模型无法获知。2.私有数据不可见通用大模型无法访问非公开的内部数据。例如，某特定高校的《学生手册》细节、特定课程的排课表或后勤保修流程，这些数据通常存储在学校内部的服务器或文档中，不属于大模型的训练语料。

检索增强生成（RAG）技术概论“幻觉”现象当用户提出的问题超出了模型的知识边界，或涉及模型训练数据中存在歧义的内容时，大模型往往不会直接拒绝回答，而是基于概率预测生成看似合理但实际上错误或荒谬的内容。这种现象被称为“机器幻觉”。在智慧校园场景中，如果智能体编造了不存在的学分认定规则或错误的宿舍门禁时间，将给学校管理和学生生活带来严重误导。因此，单纯依赖大模型的内部参数记忆，无法构建可信赖的专业咨询服务。检索增强生成（RAG）技术概论RAG架构原理为了克服大模型的上述局限，检索增强生成（RAG）技术应运而生。检索增强生成（RAG）是一种混合架构，它在生成式模型的基础上引入了非参数化的外部存储器（外部知识库）。其核心思想可以类比为“开卷考试”：当模型面对问题时，不再仅凭记忆（模型参数）作答，而是先翻阅参考资料（检索知识库），找到相关依据后再组织语言回答检索增强生成（RAG）的标准工作流程通常包含以下三个关键阶段。数据索引（Indexing）这是RAG系统的准备阶段。首先将校园内的规章制度、办事指南等原始文档进行清洗和分块，然后通过编码模型（EmbeddingModel）将这些文本块转换为高维向量，并存储在向量数据库中。这一过程构建了智能体可随时调用的“外挂大脑”。检索（Retrieval）当用户输入查询（例如：“大二学生如何申请创新学分？”）时，系统首先将该查询转换为向量。接着，在向量数据库中进行相似度计算，快速检索出与查询在语义上最相关的一组文本片段（Top-KContext）。这些片段包含了回答问题所需的具体事实依据。检索增强生成（RAG）技术概论检索增强生成（RAG）的通用工作流程，整体分为知识构建、查询检索与内容生成三个阶段。在知识构建阶段，原始文档（如PDF、Word等）经过清洗与分段等ETL处理后，由向量化（Embedding）模型转化为向量表示，并存储至向量数据库中，形成可检索的知识基础。在查询检索阶段，用户输入的查询同样通过（Embedding）模型进行向量化，并与向量数据库中的向量进行相似度匹配，获得TopK相关检索结果。在生成阶段，将检索结果与原始查询共同组装为提示词输入大语言模型，由模型在外部知识约束下生成最终答案，从而提升回答的准确性与可控性。知识库管理

知识库管理是构建检索增强生成（RAG）系统的基础环节。在实际的开发过程中，原始数据的质量直接决定了最终问答系统的准确率与稳定性。这就好比烹饪，只有优质、处理得当的食材，才能烹制出美味的佳肴。因此，对非结构化数据进行科学的清洗、规范以及合理的分段，是提升智能体性能的关键步骤。知识库管理-非结构化数据的清洗与规范数据清洗与规范主要包含以下核心工作1.去除格式噪音原始文档中常包含页眉、页脚、页码、水印、版权声明以及乱码字符。这些内容虽然对人类阅读有辅助作用，但对机器理解语义却是干扰项。例如，每页重复出现的“学校教务处”页眉，可能会切断正文段落的连续性，导致检索时语义不连贯。必须通过正则表达式或特定脚本将这些无意义字符剔除。2.内容规范化规范化处理旨在统一文本的表达形式，提高后续检索的准确性。如表3-1所示列举了常见的规范化处理前后示例。3.解析复杂结构文档中常嵌有表格、图片、多栏排版或复杂的缩进层级，其中表格和OCR识别需要做如下处理。4.统一编码与元数据标注确保所有入库文本采用统一的编码格式（通常为UTF-8），避免出现乱码。同时，为了便于后续的溯源与引用，建议对文档进行元数据（Metadata）标注，如文件名、作者、发布日期、章节标题等。知识库管理-非结构化数据的清洗与规范知识库管理-Dify中的知识库管理在Dify平台的知识库构建流程中，数据清洗主要依托其内置的解析引擎完成，涵盖以下3个关键处理步骤。1.多格式文档解析Dify支持直接导入TXT、Markdown、PDF、HTML、XLSX、DOCX等多种格式文件。对于PDF等版式文档，系统会自动识别并剔除页眉、页脚、页码等非语义内容，提取纯文本信息。知识库管理-Dify中的知识库管理2.空白字符与格式标准化系统在预处理阶段会自动替换连续的空格、换行符和制表符，将非标准的文本格式规范化为单一的UTF-8编码流。这一过程有效去除了格式噪音，确保文本在语义上的连续性。3.清洗模式选择Dify提供了“自动”与“自定义”两种清洗模式。在“自动”模式下，系统会根据文件类型自动应用预设的清洗规则；而在“自定义”模式下，开发者可以根据文档的具体特征，进一步干预清洗逻辑，以适应复杂的业务数据需求。文本分段策略分段长度

分段长度指每个文本块包含的字符数或Token数。分段重叠

为了保持语义的连贯性，防止关键信息恰好位于切分点而被割裂，通常在相邻的两个片段之间保留一定的重叠内容。分段标识符

为了尽可能保持自然语言的语义完整性，切分时不应机械地按字符数硬切，而应优先寻找自然的语义边界。常见的分段标识符包括换行符“\n”、句号“。”、分号“；”或特定的章节标记（如“##”）。文本分段策略-Dify配置Dify框架提供了灵活的分段配置选项，允许开发者根据文档类型和模型能力精细控制分段策略1.分段标识符Dify允许设定特定的字符作为切分边界。为了保持自然语言的语义完整性，系统默认优先使用换行符“\n”或双换行符“\n\n”进行切分。2.分段最大长度这是控制片段颗粒度的核心参数。在Dify的“自定义分段”设置中，开发者可以指定每个片段包含的最大字符数（Token数）。=3.分段重叠长度为了防止关键信息恰好位于切分点而被割裂，Dify支持配置“分段重叠长度”参数。向量检索与索引构建定义与概念Embedding模型是一类用于将数据映射为向量表示的技术，在自然语言处理、计算机视觉等领域中具有重要作用。在自然语言处理任务中，Embedding模型能够将单词、句子或文档转化为连续的低维向量表示，使计算机能够以数值化方式理解和处理文本信息。例如，在文本分类任务中，文本经向量化处理后，可作为特征输入机器学习模型进行分类；在机器翻译任务中，Embedding模型可将源语言与目标语言文本表示为向量，从而为语义对齐与翻译生成提供基础。向量检索与索引构建常见的Embedding模型类型（1）Word2VecWord2Vec是一种经典的词向量模型，通过训练浅层神经网络学习词语的分布式表示。（2）GloVeGloVe（GlobalVectorsforWordRepresentation）是一种融合全局统计信息与局部上下文特征的词向量模型。（3）BERTBERT（BidirectionalEncoderRepresentationsfromTransformers）是一种基于Transformer架构的预训练语言模型。向量检索与索引构建Dify框架中的Embedding模型集成Dify并不直接内置训练好的Embedding模型，而是采用开放的架构集成业界主流的模型供应商。在构建知识库时，Dify支持调用OpenAI（如text-embedding-3-small/large）、Cohere、HuggingFace以及各类本地部署模型（如Ollama运行的BGE、M3E等）。系统在索引构建阶段，会自动调用配置好的Embedding模型API，批量处理所有文本片段，生成对应的向量数据，并将其存入向量数据库，如Weaviate、Qdrant或Milvus中。向量检索与索引构建检索策略对比与选择索引构建完成后，如何从海量数据中快速找到与用户问题最匹配的内容，取决于检索策略的选择。不同的检索策略适用于不同的业务场景。在Dify的知识库设置中，主要提供了向量检索、全文检索以及混合检索3种模式。向量检索与索引构建检索策略对比与选择检索策略核心原理优点局限性典型适用场景向量检索将文本转换为向量表示，通过计算向量相似度（如余弦相似度）进行检索能够理解语义相似性，对同义词、近义表达具有较强鲁棒性，适合自然语言提问对关键词精确匹配能力较弱，计算成本相对较高知识问答、语义搜索、对话式检索全文检索基于关键词匹配和倒排索引进行检索，关注词项是否出现及其位置检索速度快，结果可解释性强，对专有名词和精确匹配效果好难以理解语义关系，对同义词和表达变化不敏感文档检索、法规条文查询、技术文档查找混合检索结合向量检索与全文检索结果，通过加权或重排序生成最终结果同时兼顾语义理解与关键词匹配，整体检索效果更稳定系统复杂度较高，需要合理配置权重或排序策略通用型知识库问答、企业级智能搜索系统向量检索与索引构建Dify中的索引模式配置（1）高质量模式即使用Embedding向量检索。选择此模式会消耗Embedding模型的Token配额。Dify建议在绝大多数RAG场景下使用此模式，因为它能提供更好的语义理解能力。在此模式下，Dify实际上通常采用的是“混合检索”逻辑（如果底层向量库支持），确保召回的最佳效果。（2）经济模式即使用关键词检索（倒排索引）。此模式无需调用Embedding模型，不消耗Token，且无需向量数据库支持。它适用于对成本敏感或仅需进行简单关键词匹配的场景，但在处理复杂自然语言问答时，效果通常不如高质量模式。召回效果优化在RAG系统的实际运行中，“召回（Retrieval）”是决定系统天花板的关键环节。如果检索到的内容是错误的或无关的，无论后端接入的大模型（LLM）能力多强，最终生成的答案注定是低质量的。单纯依赖基础的向量检索（VectorSearch）虽然速度快，但在面对语义微妙差异、复杂指令或长尾低频问题时，往往会出现“查得全但查不准”的情况。为了构建企业级高可用的知识库应用，必须从检索链路的后处理阶段入手，引入重排序（Rerank）机制，并建立科学的参数调优方法论。召回效果优化重排序（Rerank）模型在标准的RAG架构中，为了保证海量数据的响应速度，第一轮检索（粗排）通常采用近似最近邻（ANN）算法。这种算法侧重于计算向量空间中的几何距离，但这种“几何距离”并不总是等同于业务逻辑上的“语义相关性”。1.向量检索的局限性2.交叉编码器架构与重排序原理3.Dify框架中的多路召回与重排序集成召回效果优化在Dify平台中，重排序不是一个孤立的功能，而是通常与混合检索（HybridSearch）配合使用，形成“多路召回+统一精排”的高级链路。（1）第一路：关键词检索（KeywordSearch），保障专有名词和精确匹配的召回率（2）第二路：向量检索（VectorSearch），保障语义模糊查询的召回率。（3）融合重排：将两路检索召回的候选集（如各50条）合并去重，统一送入Rerank模型进行打分，最终截取分数最高的TopK（如5条）内容输入给大模型（LLM）。召回效果优化在标准的RAG架构中，为了保证海量数据的响应速度，第一轮检索（粗排）通常采用近似最近邻（ANN）算法。这种算法侧重于计算向量空间中的几何距离，但这种“几何距离”并不总是等同于业务逻辑上的“语义相关性”。1.向量检索的局限性2.交叉编码器架构与重排序原理3.Dify框架中的多路召回与重排序集成召回效果优化召回测试与可视化调优（1）命中分析：输入测试问题，观察系统命中了哪些文档的哪些分段。如果命中的分段包含大量页眉页脚噪音，说明ETL清洗环节需要返工。（2）分数校准：观察正确答案所在分段的分数。如果正确分段的分数仅为0.4，而阈值设为0.6，说明需要降低阈值或优化Embedding模型。（3）排序验证：在开启Rerank的情况下，对比“向量检索得分”与“重排序得分”的差异。如果重排序成功将原本排在第5位的正确答案提升到了第1位，证明重排序策略有效。项目实施CONTENTS目录任务3.1知识库创建与文档分段策略配置任务3.2搭建“校园制度百事通”应用任务3.3向量检索与关键参数调试任务3.4引入重排序优化召回效果任务3.1

知识库创建与文档分段策略配置01任务分析在构建基于RAG技术的问答系统时，“数据处理”是决定最终效果的基石，其重要性往往被低估。本任务的核心挑战在于如何将面向人类阅读的、连续的《信息大学校园制度》PDF文档，转化为面向机器检索的、离散的向量索引。这一过程涉及2个关键的技术决策点。1.分段颗粒度的权衡如果分段过小（如100个tokens），可能会将一条完整的“奖学金评定规则”切碎，导致检索时只能找回规则的后半句，缺失了前提条件。如果分段过大（如2000个token），不仅会增加Embedding和LLM推理的成本，还会引入大量无关信息（噪音），导致检索的相关性分数被稀释。2.非结构化数据的噪音清洗PDF文档中普遍存在的页眉、页脚、页码以及排版造成的强制换行符，在向量化过程中会被视为无意义的干扰字符。必须利用Dify的清洗规则，移除这些非语义内容，并强制替换连续的换行符，还原文本的自然段落结构，确保向量模型能够捕捉到纯净的语义特征。任务实现本任务将带领大家通过Dify平台，从零开始构建“智慧校园”的核心知识库。我们将经历“数据导入—策略配置—索引构建—效果验证”的完整工程化流程。针对前文分析中提到的《信息大学校园制度》这一典型长文档（约13万字），我们将重点演练如何通过精细化的分段参数设置，解决长文本在向量检索中的语义割裂问题，为后续的精准问答打下坚实的数据基础。任务实现1.创建知识库与导入数据（1）进入知识库模块登录Dify平台，单击顶部导航栏的“知识库”标签，进入知识库管理界面。（2）新建知识库单击“创建知识库”按钮。在弹出的引导页中，选择“导入已有文本”模式。（3）上传文档点击上传区域，选择本地准备好的《信息大学校园制度》文件（约13万字）。等待文件解析完成，单击“下一步”。任务实现2.配置文本分段与预处理规则

此步骤是决定检索质量的关键环节。针对13万字的标准长文档，需采用适合的分段参数。（1）选择分段模式

在“分段设置”界面，选择“通用”模式。（2）设置分段规则

分段标识符设置为“\n\n”（双换行符），这能确保分段尽量在自然段落的结尾处断开；大多数规章制度的单一条款长度在300~600字之间。（3）配置文本预处理规则

勾选“替换掉连续的空格、换行符和制表符”，勾选“删除URL和电子邮件地址”。任务实现3.选择索引方式与Embedding模型（1）选择索引方式选择“高质量(HighQuality)”模式。面对13万字的庞大知识库，经济模式（关键词检索）极其容易失效，例如无法匹配“违纪”与“犯错”，因此使用Embedding向量化技术来处理语义匹配。（2）配置Embedding模型在模型下拉菜单中，选择系统预置的Embedding模型，如text-embedding-v1。任务实现4.配置检索设置（1）选择检索设置在检索设置选项中，选择“向量检索”，以便进行语义检索。（2）开启并配置Rerank模型在检索设置选项中，勾选“Rerank模型”选项，选择一个已配置的Rerank模型（如gte-rerank）。（3）调整关键参数将TopK参数设置为3，即最终发给大模型的片段数量。考虑到设定了600字符的分段长度，3个片段（约1800字符）能够提供丰富且不过载的上下文信息。任务3.2搭建“校园制度百事通”应用02任务描述在完成了《信息大学校园制度》知识库的构建与索引后，下一步是将静态的数据内容转化为动态的交互服务。本任务要求在Dify平台中创建一个面向终端用户的“聊天助手”应用，并将其与任务3.1创建的知识库进行关联。核心工作包括应用的创建、知识库的挂载（Context注入）、以及提示词（Prompt）的编排。通过编写具有约束力的提示词，引导大语言模型（LLM）严格基于检索到的知识库内容回答问题，并规范其拒答逻辑，从而构建一个“有据可依、准确严谨”的校园制度咨询助手。任务分析搭建检索增强生成（RAG）应用不仅仅是简单的模块堆叠，其关键在于“检索—生成”链路的打通与控制。本任务需解决以下技术要点：（1）上下文挂载需要将独立的知识库模块接入到LLM的推理上下文中。在Dify中，这通过“上下文”组件实现，系统会自动将检索到的TopK文本片段注入到提示词的特定变量（{{#context#}}）中，供模型阅读。（2）提示词工程（PromptEngineering）的约束性通用大模型天生具备发散性思维，容易在知识库内容不足时利用自身预训练数据“脑补”答案（即幻觉）。须编写指令清晰的系统提示词，强制规定模型“只依据参考资料回答”“若资料中未提及则回答不知道”，并要求其标注引用来源，从源头上遏制幻觉。（3）引用归属的可视化为了增加回答的可信度，需要启