Dify工作流：用爬虫批量把公众号文章存到AI知识库 | 保姆级教程

我发现，很少人在用知识库，大家的一个痛点就是把内容加进「知识库」这件事比较费劲。

程序猿李巡天

3905人浏览 · 2025-05-29 19:14:30

程序猿李巡天 · 2025-05-29 19:14:30 发布

我发现，很少人在用知识库，大家的一个痛点就是把内容加进「知识库」这件事比较费劲。

虽然腾讯的IMA知识库能让大家把公众号文章等内容快速存到知识库里，但受限于知识库的能力、模型和工作流问题，这种形式只能日常问答一下，无法赋能业务。

今天就跟大家分享一下，Dify如何用爬虫抓取网络内容后写入知识库中。

我的业务是数学思维的教培，经常需要制作优秀的小红书笔记、公众号内容来吸引客户。但纯AI生成的内容幻觉严重，而且「不落地」

所以我打算新建一个「数学思维知识库」，把小红书、公众号上优秀的内容都存进去，然后再让AI基于知识库来做内容的生产，效率和效果都能有保证。

以公众号的内容为例，假设我看到一个不错的文章，怎么把它加入到我Dify知识库呢？

前期准备

1. 创建知识库

如图，创建一个用于装内容的知识库。这里，我们创建一个空的即可。

此时，要先从网址中，找到这个知识库id在datesets和documents中间的就是了。

2. 新建API密钥

目前，Dify暂没有可以直接写入数据库的插件，所以我们是通过HTTP请求来解决的。

而走http就需要密钥。按下图新建一个。

注意⚠️ 这个密钥是可以操作所有知识库的

接着在文档中，找到通过文本创建文档，这里的请求规则就是后面我们需要编写的。

3. 安装Firecrawl

因为我们是要爬网页上的内容，所以需要一个爬虫工具。

这里选择用Firecrawl，可以直接在插件市场里找到安装。

然后根据提示到官网注册一个账号，拿到API Key

⚠️注意：Firecrawl实际只是有一定的免费额度。

以上准备工作完成，我们就可以开发工作流了。

老规矩，一步一步来，先做一个简单的，再做一个复杂的。

青铜：抓取单页面存入知识库

以下就是完整的工作流：

逻辑是从用户的输入内容中提取出网址，接着用Firecrawl去读取页面内容，再用AI提炼出标题和正文，最后存入知识库。

参数提取器

如图，很简单就不多说了。

单页面抓取

Firecrawl是有多个工具可以选

但这里我们选单页面抓取就好了

设置返回的结果是markdown格式

仅抓取主要内容为True，就是把无关的页头页尾之类的删掉

其中，关键的地方在于「请求头」

要知道，所有网站都有反爬措施，尤其是公众号文章，正常去抓是会识别成机器人，返回错误结果的，如下图：

解决方案就是加个请求头，伪装成正常的浏览器：

{'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'}

这样就能正确把文章内容抓下来了。

参数提取器

目的是从返回的内容中把标题和正文识别出来。

注意在提示词中要让AI确保还原完整的内容，不要去做任何改动。

转义特殊符号

因为我们要走HTTP请求，对于内容的格式是特别敏感的，有点换行符之类的就会报错了。

这里我们直接插入一段代码，把里面的几乎所有特殊符号都做处理。

参考：

function main({arg1}) {
    return {
        content: arg1.replace(/\\/g, '\\\\').replace(/"/g, '\\"').replace(/\n/g, '\\n').replace(/\r/g, '\\r').replace(/\t/g, '\\t')
    }
}

HTTP请求：存进知识库

有了内容后，就可以新建HTTP请求节点。

这里有个小技巧，就是把前面API文档里的cURL示例，复制过来，能自动填入

然后点上面的**「鉴权API-Key」**

按下图把知识库的密钥加进去。

还有个要点：Headers里一定要加Content-Type，要不然会无法识别正确的格式。

测试运行

至此，就完成工作流了。

测试一下：把网址放进去。

OK，存进去了

先不着急用这个知识库，今天这内容，解决的是「存入」的问题，下次来解决「读取」怎么用的问题。

白银：批量存多篇内容

假如我现在有一批内容，要存进去，怎么搞？

这样一篇一篇的加，明显效率很低。

思路是：

先获取这些内容的地址
用**「迭代」节点遍历网址，**循环调用第一步的“读取网页-存入知识库”

工作流长这样：

ok，先解决第一步。

饼干哥哥之前用AI编程Cursor开发了一个浏览器插件，功能是把打开的网址采集下来，很方便

感兴趣可以留言，我出一期具体怎么做的教程

得到：

标题        mp_url
提高数学成绩的学习方法，比补课效果强100倍（深度长文）        https://mp.weixin.qq.com/s/NuFfXophlFASb2B6dpD17Q
学好数学，最重要的是抓住这个“根”！（附方法指引）        https://mp.weixin.qq.com/s/uz50tLQpHisNeYT9J-naHQ
提高数学成绩的超常规学习方法（深度好文）        https://mp.weixin.qq.com/s/vMqdQp0LWCO-OXgRRdJ7PQ
提高数学成绩的方法(建议永久保存)        https://mp.weixin.qq.com/s/SVSXmGDfR0JCDXq8Za9pvw
数学开窍的第一步，是规则的开窍        https://mp.weixin.qq.com/s/FDIOBPZA7RMqwXeIMVdyQQ
哈罗学校讲座逐字稿：怎样培养孩子的数学思维？        https://mp.weixin.qq.com/s/k_Dbkcf2fd15ItnlURiJtQ

接下来就是对工作流做修改

参数提取器

首先是**「参数提取器」，把提取参数改成数组类型****Array**

同时修改**「指令」要求AI输出的是数组**

测试一下节点能正常输出：

新建「迭代」节点

把原先的流程，一模一样的在迭代里重新新建（吐槽：怎么不能直接复制进去呢？麻烦）

要点：注意迭代输入的一定是Array的数组类型，这样才能逐个遍历去跑。

运行测试

我们一次性把多篇地址扔进去，就可以看到「迭代」里面已经在跑了：

没毛病。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述