DeepSeek+Dify之四Agent引用知識庫案例

背景

可通過API，針對用戶輸入的請求數據，借助工作流以及 Deepseek 大模型的檢索與重排序功能，提升召回數據的質量。

整體流程

測試數據

用到的節點

開始

功能：定義一個 workflow 流程啟動的初始參數

HTTP請求

功能：允許通過 HTTP 協議發送服務器請求

LLM

功能：通過上傳的excel格式的文檔，通過deepseek大模型的檢索和重排序，提升召回文檔數據的質量

參數提取器

功能：利用 LLM 從自然語言內推理提取出結構化參數，用于后置的工具調用或 HTTP 請求。

代碼執行

功能：執行一段 Python 或 NodeJS 代碼實現自定義邏輯

結束

功能：定義一個 workflow 流程的結束和結果類型

實現步驟

1、新建工作流

下面就是從開始節點開始添加節點了

2、開始節點

添加一個變量，用于接收用戶輸入的請求

3、Http請求節點

API請求示例，看自己的API

瀏覽器中按F12快捷鍵，找到下面的位置，找到請求數據的記錄，復制cURL，我這是內網的地址

拷貝cURL到http請求節點參數中

點擊保存，很多參數自動填充了

修改address變量為開始節點的輸入參數，參數都是api的，根據自己的需求修改

4、LLM節點（大模型檢索）

下面設置參數
（1）大模型如果已經設置系統默認模型，可以不用修改模型了
（2）上下文就是上一節點的Http請求結果
（3）system提示詞根據需求來，目前的需求是對用戶輸入的請求數據，通過deepseek大模型的檢索和重排序，提升Http召回數據的質量，核心是說清楚需求，以及輸出格式

完整的提示詞

你是一個強大的地址匹配助手。你的任務是接收一個非標地址（字符串類型），存儲在變量 {{#1743564833545.input#}}中，以及一個來自 API 返回的 JSON 對象（對象類型，包含一個名為 body的數組），存儲在變量 {{#context#}} 中，結構如下：
{"body": [{"mc": "大嶝","address": "福建省廈門市翔安區大嶝街道田墘社區田墘北里22號","queryIdentifying": "模糊匹配2"},// 可能存在多個類似對象]
}
### 任務詳細描述
1. 在 {{#context#}} 的 `body` 列表中的每個 JSON 對象里查找 `address` 或 `mc` 字段。這些字段可能包含與非標地址相關的信息。
2. **匹配邏輯**：判斷每個 JSON 對象中的 `address` 或 `mc` 字段與輸入的 {{#1743564833545.input#}} 的匹配程度。匹配程度的判斷可以基于地址的相似性、包含關系等。例如，如果非標地址是“朝陽區朝陽公園”，而某個 JSON 對象的 `address` 字段是“北京市朝陽區朝陽公園路”，則認為這是一個較高的匹配度。
3. **置信度計算**：計算匹配的置信度值，范圍為0到1。0表示完全不匹配，1表示完全匹配。置信度的計算可以基于地址字符串的相似度（例如，如果兩個字符串完全相同，則置信度為1；如果只有部分相同，則根據相同部分的比例計算置信度）。
4. 找出與輸入的非標地址最匹配的 JSON 對象。如果有多個 JSON 對象的匹配度相同且最高，則選擇第一個出現的對象。
5. **輸出格式**：- `nonaddress`: {{#1743564833545.input#}}- `address`: 匹配到的 JSON 對象中的 `address` 字段值（如果存在）- `mc`: 匹配到的 JSON 對象中的 `mc` 字段值（如果存在）- `confidence`: 匹配的置信度值，范圍為0到1，保留兩位小數。- `queryIdentifying`: "大模型匹配"### 示例
#### 輸入
```json
{"nonaddress": "北京市朝陽區朝陽公園","context": {"body": [{"address": "北京市海淀區中關村","mc": "中關村科技園區","queryIdentifying": "模糊匹配2"},{"address": "北京市朝陽區朝陽公園路","mc": "朝陽公園","queryIdentifying": "模糊匹配2"}]}
}
#### 輸出
```json
{"nonaddress": "北京市朝陽區朝陽公園","address": "北京市朝陽區朝陽公園路","mc": "朝陽公園","confidence": 0.90,"queryIdentifying": "大模型匹配"
}## 限制  
- 不處理非地址文本（如“請打電話聯系我”）  
- 地址要素不全時保留有效部分  
- 若文本無地址信息，返回`{"error": "未檢測到有效地址"}`  
- 不要捏造數據，只能從{{#context#}}中找出匹配的數據

5、參數提取器節點（提取大模型檢索后數據）

下面設置參數
（1）大模型如果已經設置系統默認模型，可以不用修改模型了
（2）上下文就是上一節點的大模型檢索結果
（3）提取參數根據需求添加
（4）system提示詞內容主要就是提取大模型的數據，因為它是string格式的，需要從string中提取需要的結構化數據

完整的提示詞

提取{{#1744090176627.text#}}中```json\n{\n     \"nonaddress\": \"廈門市公安局\",\n     \"address\": \"福建省廈門市思明區中華街道霞溪社區新華路45-1號\",\n     \"mc\": \"廈門市公安局\",\n     \"confidence\": 1.0,\n     \"queryIdentifying\": \"大模型匹配\"\n}\n```格式內容，該 JSON 應包含以下字段信息
'''json
{- `nonaddress`: JSON 數據中‘nonaddress’字段的值- `address`: JSON 數據中‘address’字段的值- `mc`:  JSON 數據中‘mc’字段的值- `confidence`: JSON 數據中‘confidence’字段的值，是浮點類型- `queryIdentifying`: JSON 數據中‘queryIdentifying’字段的值
}

6、代碼執行節點（數據json化）

主要是為了將上一步的幾個字段統一輸出
參數設置：
（1）輸入變量
上一級的幾個參數
（2）python3
根據需求修改腳本

def main(nonaddress: str, address: str, mc: str, confidence: str, queryIdentifying: str) -> dict:try:aa={}aa["nonaddress"] = nonaddressaa["address"] = addressaa["mc"] = mcaa["confidence"] = confidenceaa["queryIdentifying"] = queryIdentifyingreturn {"result": aa}except (KeyError, IndexError, json.JSONDecodeError):return {"result": None}

7、結束節點

輸出變量就是上一級的輸出結果

測試

直接運行，輸入數據測試

結果

查看每個節點的過程數據

發布

發布測試

結果

導出

可以將整個工作流的配置導出