当前位置：首页 > wzjs >正文

福州网站开发招聘重庆百度搜索优化

wzjs 2025/9/18 17:46:57

福州网站开发招聘,重庆百度搜索优化,网站seo诊断方案,免费推广引流软件DeepSeekDify之二添加知识库文章目录背景整体流程测试数据用到的节点开始知识检索LLM参数提取器代码执行结束实现步骤1、新建工作流2、开始节点3、知识检索节点4、LLM节点（大模型检索）5、参数提取器节点（提取大模型检索后数据）…

DeepSeek+Dify之二添加知识库

文章目录

- 背景
- 整体流程
- 测试数据
- 用到的节点
- - 开始
  - 知识检索
  - LLM
  - 参数提取器
  - 代码执行
  - 结束
- 实现步骤
- - 1、新建工作流
  - 2、开始节点
  - 3、知识检索节点
  - 4、LLM节点（大模型检索）
  - 5、参数提取器节点（提取大模型检索后数据）
  - 6、代码执行节点（数据json化）
  - 7、结束节点
- 测试
- 发布
- 导出

背景

可通过上传 Excel 格式文档，针对用户输入的请求数据，借助工作流以及 Deepseek 大模型的检索与重排序功能，提升召回数据的质量。

整体流程

在这里插入图片描述

测试数据

在这里插入图片描述

用到的节点

开始

功能：定义一个 workflow 流程启动的初始参数
在这里插入图片描述

知识检索

功能：通过上传的excel格式的文档，通过deepseek大模型的检索和重排序，提升召回文档数据的质量
在这里插入图片描述

LLM

功能：通过上传的excel格式的文档，通过deepseek大模型的检索和重排序，提升召回文档数据的质量
在这里插入图片描述

参数提取器

功能：利用 LLM 从自然语言内推理提取出结构化参数，用于后置的工具调用或 HTTP 请求。
在这里插入图片描述

代码执行

功能：执行一段 Python 或 NodeJS 代码实现自定义逻辑
在这里插入图片描述

结束

功能：定义一个 workflow 流程的结束和结果类型
在这里插入图片描述

实现步骤

1、新建工作流

在这里插入图片描述

在这里插入图片描述
下面就是从开始节点开始添加节点了

2、开始节点

添加一个变量，用于接收用户输入的请求
在这里插入图片描述

3、知识检索节点

添加上传的知识库，用于用户检索数据来源，查询变量就是开始节点的输入参数
在这里插入图片描述
为了尽量召回更多的数据和质量，可以设置召回参数

4、LLM节点（大模型检索）

下面设置参数
（1）大模型如果已经设置系统默认模型，可以不用修改模型了
（2）上下文就是上一节点的知识库检索结果
（3）system提示词根据需求来，目前的需求是对用户输入的请求数据，通过deepseek大模型的检索和重排序，提升召回文档数据的质量，核心是说清楚需求，以及输出格式
在这里插入图片描述

在这里插入图片描述
完整的提示词

你是一个强大的地址匹配助手。你将接收一个非标地址{{#1743564833545.input#}}以及一个来自知识库检索返回的JSON列表{{#context#}}（该列表可能包含多个JSON对象）。### 任务
1. 在{{#context#}}列表中的每个JSON对象里查找`address`或`mc`字段。
2. 找出`address`或`mc`字段与输入的{{#1743564833545.input#}}最匹配的数据。
3. 输出匹配到的JSON对象。
4. 计算并输出匹配的置信度值到变量`confidence`中。置信度值的范围为0到1，其中0表示完全不匹配，1表示完全匹配。### 输入格式
- {{#1743564833545.input#}}：一个字符串，表示非标地址。
- {{#context#}}：一个JSON列表，包含多个JSON对象，每个对象可能有`address`或`mc`字段。### 输出格式
-非标地址{{#1743564833545.input#}}。
- 匹配到的JSON对象。
- `confidence`: 匹配的置信度值，范围为0到1。
- queryIdentifying”：“大模型匹配"### 示例
#### 输入
```json
{"nonaddress":{{#1743564833545.input#}},"{{#context#}}": [{"address": "北京市海淀区中关村","mc": "中关村科技园区"},{"address": "北京市朝阳区朝阳公园路","mc": "朝阳公园"}]
}
####输出
```json
{"nonaddress":{{#1743564833545.input#}},"address": "北京市朝阳区朝阳公园路","mc": "朝阳公园","confidence": 0.9，“queryIdentifying”：“大模型匹配"
}

5、参数提取器节点（提取大模型检索后数据）

下面设置参数
（1）大模型如果已经设置系统默认模型，可以不用修改模型了
（2）上下文就是上一节点的大模型检索结果
（3）提取参数根据需求添加
（4）system提示词内容主要就是提取大模型的数据，因为它是string格式的，需要从string中提取需要的结构化数据

在这里插入图片描述

完整的提示词

提取{{#1744090176627.text#}}中```json\n{\n     \"nonaddress\": \"厦门市公安局\",\n     \"address\": \"福建省厦门市思明区中华街道霞溪社区新华路45-1号\",\n     \"mc\": \"厦门市公安局\",\n     \"confidence\": 1.0,\n     \"queryIdentifying\": \"大模型匹配\"\n}\n```格式内容，该 JSON 应包含以下字段信息
'''json
{- `nonaddress`: JSON 数据中‘nonaddress’字段的值- `address`: JSON 数据中‘address’字段的值- `mc`:  JSON 数据中‘mc’字段的值- `confidence`: JSON 数据中‘confidence’字段的值，是浮点类型- `queryIdentifying`: JSON 数据中‘queryIdentifying’字段的值
}

6、代码执行节点（数据json化）

主要是为了将上一步的几个字段统一输出
参数设置：
（1）输入变量
上一级的几个参数
（2）python3
根据需求修改脚本

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}

在这里插入图片描述