【DeepSeek】【Dify】：用 Dify 对话流+标题关键词注入，让 RAG 准确率飞跃
1 构建对话流处理数据
初始准备
文章大纲摘要
数据标注和清洗
代码执行
特别注解
2 对话流测试
准备工作
大纲生成
清洗片段
整合分段
3 构建知识库
构建
召回测试
4 实战应用测试
关键词提取
智能总结
测试
1 构建对话流处理数据
初始准备
构建对话变量
用来存储处理的大纲
start
文档提取器
提取上传文件的文字内容
代码执行
提取文档前100000
防止溢出模型
文章大纲摘要
将文章中的标题和摘要提取出来为一个大纲树，作为后续添加标题处理的重要凭证
提示词
你是一名专业的文档分析师，擅长从技术文档/论文中提取结构化大纲。你的任务是：
- 识别标题层级(H1-H6)
- 统计章节分布与内容概要
- 输出带缩进层级的摘要树任务执行步骤：
1. 通读文档，标记所有标题（格式如#、##等）；
2. 按缩进层级构建大纲树（H为一级，H2为二级，以此类推）
3. 为每个章节生成1-2句内容摘要；
4. 输出Markdown格式的层级列表，包含标题和摘要。
例如
输出格式：
markdown
- [标题层级] 标题文本摘要： 本节核心内容（100字以内）示例输入：
# 引言
## 研究背景
### 行业现状
## 研究方法示例输出：
- [H1]引言摘要：阐述研究背景与方法论-[H2] 研究背景摘要：分析行业现状与问题-[H3]行业现状摘要：描述当前市场数据-[H2] 研究方法摘要：说明实验设计与技术路线注：基于原文来设计，不允许补充内容，不允许扩写内容/变量赋值
将处理的大纲存储到对话变量里面，采用覆盖的方式，每一次对话都会有新的大纲存储
赋值之后输出一下大纲查看
数据标注和清洗
主要是对文章的分段控制和标题关键词提取
分段采用大纲中的最小级别的标题
标题采用父子标题均全部保存和段落关键词提取
其余为清洗数据，段落合并等处理
其中反复提及标题父子关系，由字段段落标题开始，直至H1根标题，防止出现只有本段落标题的情况
提示词
你是一个专业数据清洗及标注工程师；
请先阅读并理解本文档的全部大纲，
<文本大纲>为：{{#conversation.file_catalog#}}
再按照以下规则处理文本，
<文本内容>为： {{#context#}}一、数据清洗：
1. 提取结构化正文
2. 过滤噪声内容，移除页眉/页脚、广告、版权声明、乱码、空白行、无效数据行、重复段落、段落序号数字(1,2,3...)
3. 自动合并碎片化段落（<80字符且无标点）
4. 识别并标记专业术语
5. 如果文本内容为没有任何含义的符号，这段内容直接清除不需要输出
6. html标签的表格作为一个整体段落，保留原始html标签不要有任何省略行为二、数据标注：
1. 动态分段机制
- 基础规则：以大纲中最小标题层级作为强制分段依据
- 同级标题处理：连续出现相同层级标题时，每个标题内容单独成段
- 混合层级处理：当出现更高级标题时，从该高级标题开始重新计算层级
- 对话类强制分段规则：每3轮对话必须拆分段落
- 保留逻辑标记符：如"首先/其次/最后"等序列词需要在通一段落2. 标签tags构成
标题：采用文档结构树继承机制，严格遵循父子层级关系：
- 自底向上逐级提取：从段落直接归属的最小标题（如H3）开始
- 向上追溯路径：H3→H2→H1（每个节点仅保留直接父节点）
- **禁止横向继承**：不得包含同级标题（如H2-1下的段落不得继承H2-2标题）
- 终止条件：直至根标题（H1）为止（
- **特别注意**：一定要保留所有直系父子层级标题，每一层级的标题作为单独的tag保存，如果本身是H2级别的段落，也要向上追溯路径：H2→H1，获取H1根标题保存）
- **动态解析要求**：系统需自动解析输入文档的标题层级结构，不依赖预设标题名称关键词： 关键词1/关键词2/关键词3/关键词4/关键词5/关键词6/关键词7/关键词8/关键词9/关键词10/专业术语等（从文段获取10个左右的关键词与元数据，同时要加上识别到的专业术语，如果文段过短，可获取3个左右的核心关键词）3. 特殊处理
冲突解决机制
- 当相邻段落标签重复率>60%，触发智能合并
- 语义断裂检测：使用<gap>标记逻辑跳跃点4. 示例：
输入段落：
"除非谷歌和 OpenAI 改变态度,选择和开源社区合作,否则将被后者替代",据彭博 和 SemiAnalysis 报道,4 月初,谷歌工程师 Luke Sernau 发文称,在人工智能大语言模 型(Large Language Models,LLM,以下简称"大模型")赛道,谷歌和 ChatGPT 的推 出方 OpenAI 都没有护城河,开源社区正在赢得竞赛。
这一论调让公众对"年初 Meta 开源大模型 LLaMA 后,大模型大量出现"现象的关注推 向了高潮,资本市场也在关注大公司闭源超大模型和开源大模型谁能赢得竞争,在"模 型""算力""数据"三大关键要素中,大模型未来竞争格局如何,模型小了是否就不再 需要大量算力,数据在其中又扮演了什么角色?……本报告试图剖析这波开源大模型风 潮的共同点,回顾开源标杆 Linux 的发展史,回答以上问题,展望大模型的未来。期望输出下面这样格式的内容：
```json
{
"segment_01":{
"text": “谷歌工程师Luke Sernau认为，谷歌和OpenAI在AI大模型领域缺乏护城河，开源社区（如Meta的LLaMA）正逐渐占据优势。这一观点引发了对闭源与开源模型竞争格局的讨论，涉及模型、算力、数据三大要素的未来影响。报告通过分析开源大模型风潮的共同点，并类比Linux的发展历史，探讨了开源模式是否将主导AI领域，以及小模型、算力需求和数据角色的演变趋势。”，
“tags”: [“开源大模型 ”,"AI竞争","MetaLLaMA,"闭源VS开源"]
},
}
```注意：
1. text是原文部分，不允许修改和扩展，直接使用格式清洗之后的原文内容
2. 标签tags里面要列出所有的标题，识别内容后，标题参考<文本大纲>，生成时，不需要带上层级序号
3. 如果是有条文类的文档，比如规则、法律类等文档，tags里面需要标明是第几章，第几条
4. tags除了上述外，还要再从文段获取10个左右关键词
5. tags内容放在一行，关键词用英文双引号""包围，用应为逗号分割即可
6. 要特别注意“标签tags构成”中标题的规则，一定保留所有直系父子层级标题模板转化
输出段落
代码执行
将数据标注和清洗中的段落片段合并成dify父子分段的文本，以&&&&为父分块，###为子分块标记
import re
from typing import Dict, Listdef main(content: str,
) -> Dict[str, str]:try:# 增强正则表达式（保持原有逻辑）segment_pattern = re.compile(r'"segment_\d+"\s*:\s*{\s*"text"\s*:\s*"((?:[^"\\]|\\.|\\\n)*)"\s*,\s*"tags"\s*:\s*\[([^\]]*)\]\s*}',re.DOTALL)total_segments = 0results = []# 处理内容中的JSON块json_blocks = re.findall(r'```json(.*?)```', content, re.DOTALL)if json_blocks:json_content = "".join(json_blocks)# 提取所有段落for match in segment_pattern.finditer(json_content):total_segments += 1# 处理文本内容（保留原始换行）text = match.group(1).replace('\\"', '"').replace('\\n', '\n').strip()# 保持标签原始顺序tags = re.findall(r'"((?:[^"\\]|\\.)*)"', match.group(2))# 收集结果results.append({'text': text,'tags': tags})# 构建输出字符串output = ""for segment in results:output += f"{segment['text']}###\n"output += f"{'###'.join(segment['tags'])}\n"output += "&&&&\n"# 返回处理结果（包含格式化字符串）return {"result": f"成功解析 {total_segments} 个段落","output": output.strip() # 去除末尾多余换行}except Exception as e:return {"result": f"处理失败: {str(e)}"}输出到控制台
较短的单文件到此为止即可，不必看特别注解
特别注解
可以将数据标注和清洗升级为迭代处理
这就要求我们在读入文本之后，对读入的文本分块（md格式的可以按照一级标题）
在迭代结束之后，需要将多个迭代内容惊醒整合，与此同时文件保存，dify的文件内容会保存到sandbox沙箱中去，取其中下载文件即可
后续可升级为多文件处理
2 对话流测试
准备工作
上传文件
文件源码
# SuperCdem环境安装教程下面教程针对vs2019和cuda的安装进行讲解，若不进行开发，只需使用的情况下，进行第一步安装CUDA即可。## 1. CUDA 安装和配置1. 首先先判断电脑中当前的GPU驱动所支持的最高CUDA版本，方法如下：打开 NVIDIA 控制面板(桌面右键) -> 选择左下角的系统信息 -> 组件<img src="SuperCDEM环境安装教程.assets/image-20230830095519527.png" alt="image-20230830095519527" style="zoom: 50%;" /><img src="SuperCDEM环境安装教程.assets/image-20230830095316652.png" alt="image-20230830095316652" style="zoom: 90%;" />图中所示，当前GPU驱动所支持的最高驱动版本为CUDA 11.2.162，本程序要求安装CUDA 11.0.3。GPU驱动所支持的最高CUDA版本应高于CUDA 11.0.3，若不满足要求，请在NVIDIA官网更新GPU驱动程序。2. 下载CUDA toolkit 下载地址：https://developer.nvidia.com/cuda-toolkit-archive；目前程序兼容cuda toolkit 11.0.3 以上的版本。<img src="SuperCDEM环境安装教程.assets/image-20230830101405505.png" alt="image-20230830101405505" style="zoom: 30%;" />3. 安装CUDA toolkit安装cuda时，第一次会让设置临时解压目录，第二次会让设置安装目录；临时解压路径，保持默认路径安装。安装结束后，临时解压文件夹会自动删除；安装目录，请保持默认安装目录，**不要修改**；其他部分请保持默认安装配置。4. 验证是否安装成功运行cmd，输入nvcc --version 即可查看CUDA版本号。显示如下提示，即表示安装成功。<img src="SuperCDEM环境安装教程.assets/image-20230830105059624.png" alt="image-20230830105059624" style="zoom: 45%;" />5. CUDA环境变量配置配置电脑的环境变量，右击此电脑→属性→高级系统设置→环境变量；在系统变量里添加如下内容：```jsCUDA_PATH = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.2CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v12.2CUDA_LIB_PATH = %CUDA_PATH%\lib\x64CUDA_BIN_PATH = %CUDA_PATH%\binCUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64```通过点击图片中 “新建” 和 “编辑”即可添加和修改系统变量。需要注意 `CUDA_PATH` 和 `CUDA_SDK_PATH`，这两个系统变量填写的是绝对路径，路径的最后 `v12.2` 是所安装的 cuda toolkit 的版本号，因此根据用户电脑所安装的版本对应填写，要求最低版本号为v11.0。<img src="SuperCDEM环境安装教程.assets/image-20240410153052130.png" alt="image-20240410153052130" style="zoom:50%;" />## 2. Visual Studio 安装Visual Studio推荐安装VS2015，安装教程可参考手册《基于Genvi平台的数值模拟软件开发--开发环境搭建.pdf》，若需要安装更高版本的VS，需配置VS2015的运行环境，下面以VS2019为例，进行Visual Studio安装。### 1.1 Visual Studio 2019 下载安装下载链接：[Visual Studio 2019 版本 16.11 发行说明 | Microsoft Learn](https://learn.microsoft.com/zh-cn/visualstudio/releases/2019/release-notes)安装选项：勾选图中所示选项<img src="SuperCDEM环境安装教程.assets/image-20230830090610285.png" alt="image-20230830090610285" style="zoom: 40%;" /><img src="SuperCDEM环境安装教程.assets/image-20230830090901608.png" alt="image-20230830090901608" style="zoom:43%;" />Windows SDK (10.0.14393.0) 安装- 下载地址：https://developer.microsoft.com/zh-cn/windows/downloads/sdk-archive/<img src="SuperCDEM环境安装教程.assets/image-20230830110454608.png" alt="image-20230830110454608" style="zoom: 40%;" />后续选择默认安装即可。## 3. Visual Studio 配置打开解决方案时，需要重定向项目，配置按下图所示：<img src="SuperCDEM环境安装教程.assets/image-20230830114633851.png" alt="image-20230830114633851" style="zoom: 67%;" />选择解决方案中的bCdem -> 属性，按下图进行修改<img src="SuperCDEM环境安装教程.assets/image-20230830110239806.png" alt="image-20230830110239806" style="zoom: 40%;" />大纲生成
- [H1] SuperCdem环境安装教程摘要：本文档详细介绍了SuperCdem环境的安装步骤，包括CUDA和Visual Studio的安装与配置。- [H2] 1. CUDA 安装和配置摘要：本节讲解如何判断GPU驱动支持的CUDA版本、下载并安装CUDA Toolkit，并完成环境变量配置。- [H3] 判断GPU驱动支持的CUDA版本摘要：通过NVIDIA控制面板查看当前GPU驱动支持的最高CUDA版本，确保满足程序最低要求。- [H3] 下载CUDA Toolkit摘要：从NVIDIA官网下载兼容的CUDA Toolkit版本（最低要求为11.0.3）。- [H3] 安装CUDA Toolkit摘要：按照默认路径完成CUDA Toolkit的安装，避免修改临时解压目录或安装目录。- [H3] 验证安装是否成功摘要：通过运行`nvcc --version`命令验证CUDA是否安装成功。- [H3] CUDA环境变量配置摘要：在系统环境变量中添加必要的CUDA路径，确保路径版本号与实际安装版本一致。- [H2] 2. Visual Studio 安装摘要：推荐安装VS2015或VS2019，并提供详细的安装选项说明及Windows SDK的安装指导。- [H3] 1.1 Visual Studio 2019 下载安装摘要：从Microsoft官网下载Visual Studio 2019，并勾选必要组件进行安装。- [H3] Windows SDK (10.0.14393.0) 安装摘要：从微软开发者网站下载并安装指定版本的Windows SDK。- [H2] 3. Visual Studio 配置摘要：介绍如何重定向项目并配置解决方案中的bCdem属性，确保开发环境正常运行。清洗片段
可以看到前三个分别为H3 H2 H1级别的标题
后面为本段落的关键词
<think> 好的，我现在需要处理用户提供的SuperCdem环境安装教程文本，按照给定的规则进行数据清洗和标注。首先，我需要仔细理解用户的要求和大纲结构，确保每一步都正确执行。 首先进行数据清洗： 1. **提取结构化正文**：用户提供的文本已经有一定的结构，包含标题、步骤和图片引用。我需要确认这些内容是否完整，并去除无关部分。 2. **过滤噪声内容**：检查是否有页眉、页脚、广告或版权声明。看起来原文主要是安装步骤，可能没有这些内容。需要移除重复段落和空白行。例如，原文中的图片路径如`<img src="...">`可能需要保留，但用户提到html表格要保留原始标签，所以图片标签可能需要保留，但不确定是否属于表格。这里可能需要进一步判断，但根据规则，非表格的html标签可能不需要保留，但用户没有特别说明，所以可能保留。 3. **合并碎片化段落**：查看是否有短而无标点的段落。例如原文中的步骤描述是否被错误分割。例如，步骤5中的环境变量配置部分可能有多个条目，但应合并为一个段落。 4. **识别专业术语**：如CUDA Toolkit、Visual Studio、Windows SDK、nvcc等术语需要标记。 5. **清除无意义符号**：原文中没有明显的乱码或无效符号，所以这一步可能不需要处理。 6. **处理html表格**：原文中没有表格，只有图片引用，所以这一步可能不适用。 接下来进行数据标注： 1. **动态分段**：根据大纲的层级结构，H1是根标题，下面是H2和H3。需要根据标题层级来分段。例如，每个H2标题下的内容作为一个段落，其下的H3标题内容作为子段落。但用户要求以最小标题层级作为分段依据，所以每个H3下的内容单独成段，但如果连续出现同级标题，则单独成段。例如，在CUDA安装部分，每个H3步骤应作为单独段落，但根据用户提供的示例输出，可能需要将整个H2下的内容合并为一个段落，但需要根据实际内容判断。 2. **标签tags构成**：需要提取每个段落的直系标题路径。例如，CUDA安装和配置（H2）下的判断GPU版本（H3）段落的标签应包括H3标题、H2标题和H1标题。但根据用户要求，每个段落的标签应包括所有直系父标题。例如，H3的段落标签应为H3标题、H2标题、H1标题，每个作为单独的tag。同时，提取关键词，如CUDA Toolkit、NVIDIA控制面板、环境变量等专业术语。 3. **特殊处理**：检查是否有相邻段落标签重复，可能需要合并，但原文结构较清晰，可能不需要。语义断裂检测可能需要添加<gap>，但原文连贯性较好，可能不适用。 现在，处理具体内容： - **H1标题**：SuperCdem环境安装教程 - **H2标题1**：1. CUDA 安装和配置，包含多个H3子标题。 - **每个H3步骤**应作为单独段落，标签包括H3、H2、H1。 - **H2标题2**：2. Visual Studio 安装，包含H3子标题。 - **H2标题3**：3. Visual Studio 配置，无子标题，内容作为段落。 处理时需要注意： - 图片引用可能需要保留为html标签，但用户示例输出中没有图片，可能需要在清洗时移除，但根据规则，非表格的html标签可能需要保留。但用户示例中输出没有图片，可能需删除图片标签，只保留文本内容。 - 步骤中的编号（如1. 判断GPU驱动...）是否需要移除？根据规则，需要移除段落序号数字，所以步骤前的数字需要删除，但内容保持顺序。 - 环境变量配置中的代码块需要保留，作为整体段落，可能用反引号包裹。 最终，每个段落需要生成对应的text和tags，tags包括标题路径和关键词。例如，CUDA环境变量配置段落的tags应为["CUDA环境变量配置", "CUDA 安装和配置", "SuperCdem环境安装教程", "环境变量", "系统变量", "CUDA_PATH"]等。 需要确保每个段落的标签正确继承父标题，并提取足够的关键词和专业术语。同时，保持原文内容不变，仅进行清洗和标注。 </think>```json { "segment_01":{ "text": "下面教程针对vs2019和cuda的安装进行讲解，若不进行开发，只需使用的情况下，进行第一步安装CUDA即可。", "tags": ["SuperCdem环境安装教程", "CUDA安装", "开发环境配置", "Visual Studio", "GPU驱动"] }, "segment_02":{ "text": "通过NVIDIA控制面板查看当前GPU驱动支持的最高CUDA版本，确保满足程序最低要求。打开NVIDIA控制面板(桌面右键)->选择左下角的系统信息->组件", "tags": ["判断GPU驱动支持的CUDA版本", "CUDA 安装和配置", "SuperCdem环境安装教程", "NVIDIA控制面板", "系统信息", "组件", "GPU驱动", "版本检测"] }, "segment_03":{ "text": "从NVIDIA官网下载兼容的CUDA Toolkit版本（最低要求为11.0.3）。下载地址：https://developer.nvidia.com/cuda-toolkit-archive", "tags": ["下载CUDA Toolkit", "CUDA 安装和配置", "SuperCdem环境安装教程", "NVIDIA官网", "CUDA Toolkit", "版本兼容性", "下载链接"] }, "segment_04":{ "text": "按照默认路径完成CUDA Toolkit的安装，避免修改临时解压目录或安装目录。安装cuda时，第一次会让设置临时解压目录，第二次会让设置安装目录；临时解压路径保持默认路径安装，安装结束后临时解压文件夹会自动删除；安装目录请保持默认安装目录不要修改；其他部分请保持默认安装配置。", "tags": ["安装CUDA Toolkit", "CUDA 安装和配置", "SuperCdem环境安装教程", "默认路径", "临时解压目录", "安装目录", "系统配置"] }, "segment_05":{ "text": "通过运行`nvcc --version`命令验证CUDA是否安装成功。运行cmd，输入nvcc --version即可查看CUDA版本号。显示如下提示即表示安装成功。", "tags": ["验证安装是否成功", "CUDA 安装和配置", "SuperCdem环境安装教程", "nvcc命令", "版本验证", "命令行工具"] }, "segment_06":{ "text": "在系统环境变量中添加必要的CUDA路径，确保路径版本号与实际安装版本一致。配置电脑的环境变量，右击此电脑→属性→高级系统设置→环境变量；在系统变量里添加如下内容：CUDA_PATH = C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v12.2 CUDA_SDK_PATH = C:\\ProgramData\\NVIDIA Corporation\\CUDA Samples\\v12.2 CUDA_LIB_PATH = %CUDA_PATH%\\lib\\x64 CUDA_BIN_PATH = %CUDA_PATH%\\bin CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\\bin\\win64 CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\\common\\lib\\x64", "tags": ["CUDA环境变量配置", "CUDA 安装和配置", "SuperCdem环境安装教程", "环境变量", "系统变量", "CUDA_PATH", "SDK路径", "版本匹配"] }, "segment_07":{ "text": "从Microsoft官网下载Visual Studio 2019，并勾选必要组件进行安装。安装选项需勾选C++桌面开发、Windows 10 SDK等核心组件。", "tags": ["Visual Studio 2019 下载安装", "Visual Studio 安装", "SuperCdem环境安装教程", "Microsoft官网", "C++开发", "Windows SDK", "组件选择"] }, "segment_08":{ "text": "从微软开发者网站下载并安装指定版本的Windows SDK(10.0.14393.0)。下载地址：https://developer.microsoft.com/zh-cn/windows/downloads/dk-archive/，后续选择默认安装即可。", "tags": ["Windows SDK安装", "Visual Studio 安装", "SuperCdem环境安装教程", "微软开发者网站", "SDK版本", "默认安装"] }, "segment_09":{ "text": "打开解决方案时需要重定向项目，配置解决方案中的bCdem属性。选择解决方案中的bCdem->属性，修改平台工具集为Visual Studio 2019(v142)，Windows SDK版本为10.0.14393.0。", "tags": ["Visual Studio 配置", "SuperCdem环境安装教程", "解决方案重定向", "平台工具集", "Windows SDK版本", "项目属性配置"] } ```整合分段
整理成可以用&&&&为父块分段符号，###为字段分块符号的文本用作后续处理
3 构建知识库
构建
采用高质量父子分段，父块分隔符为&&&&，子块分隔符为###
可以看到预览块中，标题和关键词作为一个单独的小句子存在，因为父子分段的存在，会因此通过子关键词而命中整个父段落，来提高RAG命中率
召回测试
输入关键字，完美命中
输入根标题则全部命中，让这些分开的段落根据标签有了新的组织形式
4 实战应用测试
关键词提取
提示词
你是一个资深信息检索工程师
一、任务目标
从用户问题{{#sys.query#}}中精准提取6~8个知识库搜索关键词，要求如下：
1. 覆盖核心检索意图
2. 消除歧义与模糊表达二、处理流程
1. 语义焦点识别：- 使用注意力机制定位核心实体（产品/服务/错误代码）- 示例：> "ChatGPT 发布后不久,Meta 就开源了类 GPT 大语言模型 LLaMA,此后, AlpacaVicunaKoala 等多个大模型诞生,它们以远低于 ChatGPT 的模型规模和成本,实现了令人瞩目的性能,引发业内人士担忧谷歌和 OpenAI 都没有护城河,大模型门槛正被开源踏破,不合作就会被取代。资本市场也在关注大模型未来竞争格局如何,模型小了是否不再需要大量算力,数据在其中又扮演了什么角色?本报告试图分析这波开源大语言模型风潮的共同点,回顾开源标杆 Linux 的发展史,回答这些问题。" -> [开源大模型,模型小化,ChatGPT]2. 术语标准化：- 映射同义词到知识库官方术语> “手提电脑” -> “笔记本电脑”- 转化口语化表达:> "存不上文件" -> "文件保存失败"3. 上下文增强：- 识别隐含条件：> "最新版软件闪退" -> ["v.2.3.1","程序崩溃"]- 关联领域知识：> "合同审批卡在财务部" -> ["审批流程","财务节点超时"]4. 消除歧义：- 对多一次添加限定词：> "苹果服务器中断" ->["Apple服务状态","系统故障"]- 排除非相关实体：> "Java开发遇到内存泄露" -> 排除 ["咖啡豆产地"]三、注意：
1. 如果语义特别简单，直接返回原文
2. 最终输出只包含提取的关键词，输出采用严格格式：纯文本关键词+英文逗号分割代码执行
将关键字提出
def main(arg1: str) -> dict:if not arg1:return {'result':[]}arg1=arg1.strip().strip('"')items = [item.strip() for item in arg1.split(',')]return {"result": items[:30]}将多个关键词通过迭代的方式查询知识库
智能总结
提示词
你是一名专业的知识库分析师，擅长从结构化知识库中精准提取信息，并将专业内容转化为用户易懂的表达方式，
你需要按照以下规则，回复用户的问题
{{#sys.query#}}；知识库返回的内容：{{#context#}}一、应答协议
IF 知识库返回内容为空 OR 置信度<0.3;-> 执行空值应答流程
ELSE:-> 执行知识整合输出二、 应答生成规则
1. 空值应答（严格触发条件）：- 禁止自行编造信息- 直接输出“根据先有资料，我暂时无法提供准确的解答，建议通过（帮助中心）提交详细问题”
2. 有效应答：- 采用 [结论先行] 结构- 关键数据标注来源编号 （例： [KB_2025_01]）- 复杂内容分店说明（不超过3级）
3. 自然语言转化：- 技术术语 -> 用户可理解表述- 法律条款 -> 标注时效性（截止2025年）- 操作步骤 -> 添加风险提示（如“需要管理员权限”）三、核心职责
1. 严格基于知识库已有内容进行回答
2. 对复杂概念进行降维解释（保持原意）
3. 确保信息准确性和可操作性
4. 拒绝回答知识库范围外的问题测试
效果如下
查看日志判断是否正确
关键词提取正确
迭代查询知识库，通过关键词命中段落
通过多个片段智能输出
