使用Dify低代码搭建知识库问答智能体实操

时长：约 41 分钟

学习目标

完整走一遍“内部制度问答助手”的搭建流程。
掌握文档上传、切分、索引、召回测试和提示词配置的实际操作。
能根据测试结果定位“召回不到、答偏、编造、引用缺失”等问题。
了解从调试到发布、再到持续优化的闭环。

一、场景与数据准备

课程用一个企业内网场景：员工经常询问差旅标准、考勤规则、费用报销、人事流程和员工福利。目标是做一个“公司内部制度问答助手”，让员工自助查询，减少人工答疑。

准备的数据是 5 份 PDF：

差旅管理制度
考勤管理制度
费用报销制度
人事管理制度
员工福利制度

数据准备阶段要检查：

文件是否为最新版；
扫描件是否需要 OCR；
页眉页脚、目录、空白页是否清洗；
同一制度是否有多个版本，避免旧版混入。

二、创建知识库与选择索引方式

在 Dify 中新建知识库，命名为“公司制度库”，批量上传 5 份 PDF。

索引方式通常有两种：

高质量：调用 Embedding 模型生成向量，检索更准确，但有 Token 成本。
经济：用关键词索引，成本低，但语义召回能力弱。

如果业务问题是“年假多少天”“出差住宿标准”这类语义问法，优先选高质量向量索引。注意：高质量模式建立后通常不能直接切回经济模式，建库前要想清楚。

三、文本分段与清洗

分段参数直接决定召回质量。课程中的起点是：

分段最大长度约 500 Token；
保留一定重叠，避免上下文被生硬切断；
优先按标题、段落、问答对切分。

切分后要预览实际片段，重点检查：

一条制度是否被切成多个不完整的句子；
标题和正文是否分离；
表格是否被破坏；
关键数字、日期、金额是否落在片段内。

四、召回测试

建库完成后，先用“召回测试”验证检索，不要急着接 LLM。

建议准备三类查询：

查询	目的
“年假有多少天？”	验证库内标准问题
“出差住宿标准是多少？”	验证数字与条款召回
“食堂在哪里？”	验证库外问题的拒答边界

如果召回不到正确片段，优先调整：

分段长度与重叠；
索引方式与 Embedding 模型；
检索策略（向量/关键词/混合）；
Top-K 与相似度阈值。

五、编排问答流程

课程中的流程可以还原为：

开始（用户输入）
   ↓
知识库检索（公司制度库，Top-K=3，阈值≈0.65）
   ↓
LLM（只依据检索内容回答，并标注来源）
   ↓
直接回复

LLM 系统提示词建议：

你是公司内部制度问答助手。
回答必须基于检索到的制度片段，不得使用片段之外的知识。
如果片段不足以回答，回复“知识库中暂未收录相关信息”，并建议咨询对应部门。
回答结构：结论 → 适用条件 → 依据文档。

六、测试与调优

课程给出两个核心测试场景：

场景一：库内问题

提问：“公司规定的年假有多少天？”

预期：召回《员工考勤与休假管理办法》，给出具体天数，并标注来源。

场景二：库外问题

提问：“公司食堂具体在园区哪个位置？”

预期：明确回复“知识库中暂未收录相关信息”，不编造位置。

出现问题时按这个顺序排查：

召回异常：看命中的片段是否包含答案；没有就调分段、索引和检索参数。
答偏：看 Prompt 是否把用户问题和片段正确拼接。
编造：加强“只依据检索内容”和“无依据拒答”的约束。
引用缺失：要求模型输出文档名、章节或片段编号。

七、发布与接入

课程演示了三种发布方式：

Web 应用：生成访问链接，可设置密码，适合内部试用。
API 端点：接入企业自有系统。
嵌入网站：用 iframe 或脚本嵌入现有页面。

上线前至少完成：

20+ 条代表性问题的回归测试；
库内、库外、边界和敏感问题测试；
延迟、Token 成本和失败率评估；
版本记录与回滚方案。

八、持续优化闭环

一个知识库助手不是“发布即结束”，而是持续循环：

收集真实问题 → 补充/修订文档 → 重新索引 → 回归测试
      ↑                                      ↓
   监控反馈 ← 发布上线 ← 调优提示词与检索参数

重点监控：

哪些问题召回不到；
哪些回答被用户追问或否定；
哪些文档长期未更新；
哪些查询 Token 成本异常高。

九、常见坑

直接把旧版制度也上传，导致模型召回过期条款。
分段太碎，答案被切成几段，模型只看到半句话。
只测“标准问法”，不测口语化和同义表达。
库外问题没有兜底话术，模型自由编造。
发布后不收集真实问题，知识库逐渐与业务脱节。

十、自测题

内部制度助手需要准备哪些类型的文档？
高质量索引与经济索引的核心差别是什么？
分段后为什么要预览实际片段？
召回不到答案时，应该先调哪些参数？
库外问题的预期行为是什么？
上线后的持续优化闭环包含哪些环节？

答案提示：1. 差旅、考勤、报销、人事、福利等最新制度；2. 是否用 Embedding 做语义向量检索；3. 检查语义完整性、数字和表格是否被破坏；4. 分段、索引、检索策略、Top-K/阈值；5. 明确拒答并建议咨询，不编造；6. 收集问题、修订文档、重建索引、回归测试、监控反馈。

本节小结

这一节把前面学的 RAG、Dify 工作流和调试方法串成了一个可交付项目：准备最新制度文档，选择合适索引，切分并检查片段，先做召回测试，再编排检索与 LLM 节点，用库内/库外问题验证，最后发布并持续收集反馈。真正决定效果的往往不是“模型多强”，而是文档质量、切分粒度和检索参数。