AI 的快速发展方便了我们日常的工作和生活，也有很多AI衍生产品可以快速搭建我们的知识库，方便我们快速检阅自己的知识。
主要的问题在于，出于隐私和保密、合规的问题，有些知识库借助外部工具会存在知识泄露的风险，需要考虑如何在内部快速搭建个人或者团队内部知识库。
这里主要借助dify来快速实现知识库的搭建

一 什么是dify

Dify是一个开源的大语言模型（LLM）应用开发平台,它主要可以简化AI应用的开发流程，并支持多种大语言模型。
通过与多个模型供应商合作，开发人员可以在dify搭建和选择适合自己的模型。
Dify同时可以支持数据集管理、流程编排和流程可视化，这些功能降低了AI开发的难度。
Dify可以和其他工具结合实现如下效果（部分内容参考外部，并非都亲自尝试过）：

• Langbot：支持多平台的即时通信机器人框架，结合Dify可以快速实现微信接入。
• Echarts：结合Echarts实现Excel数据可视化。
• DeepSeek：Dify中支持了数百个模型，也包含了deepseek。
• RAGFlow：结合Dify和RAGFlow构建工作流，通过知识库等功能实现复杂的对话和自动化任务。
• MCP：Dify可以作为MCP
• Server对外提供服务，实现中间商赚差价的可能。
• Notion：Dify支持从Notion导入并设置同步，以便Notion中的数据更新自动同步到Dify。 Jina
• Reader：使用Jina Reader、Firecrawl等第三方工具从公开网页中爬取内容，解析为Markdown内容，导入知识库。
• Zapier：通过MCP SSE插件实现高效流式响应，可以调取多种不同的工具

Dify的使用，需要进行基础环境的配置和搭建，由于团队内部的基础环境一般都已存在，本文仅从知识库和应用创建阶段介绍搭建流程，更偏向应用搭建的实操记录。

二 搭建知识库整体步骤

整体操作大的步骤为：
1.创建个人的知识库
2.搭建dify应用
3.运行使用

2.1 创建个人知识库

知识库就是自己的内部知识合集，可以是文档，可以是网页
知识库创建时，可以将自己或者团队沉淀的文档内容都放在里面，用于后期的知识检索
1.创建知识库
进入知识库页面，创建知识库

2.上传文件
创建后的知识库上传文件的位置：

3.选择文件读取的参数
上传文件，文件读取有“选择数据源->文本分段清清洗>处理并完成”3步
选择数据源是待上传的文件

文本分段清洗，就是选择自己文件如何通过系统模型识别出来进行后期的加工
主要考虑文本怎么进行分段，怎么索引，数据怎么集成，由于不同的模型有优劣，所以需要根据自己的需要进行不同模型参数的选择，如果没有太大的要求，可以默认参数，点击“保存并处理”按钮进入下一步即可

选择完成后，系统会提示上传完成，以及解析文档的相关参数也会一并附录
这时我们在知识库里面添加了第一个文档，我们还可以依次上传第2、3、4个文档

2.2 编排个人助手

1 创建应用
在工作室里找到创建空白应用

2.选择应用的类型和命名
给自己的应用小助手命名，我们这里主要做知识库问答，选择“chatFlow”的个人应用

3.流程编排
新建应用后，就直接会显示出对应的默认编排参数
整体的页面布局参考下图

我们编排的主要思路为：
1)先获取用户的问题并解析（这里使用LLM语言模型）
2)通过解析后的问题检索我们的知识库（使用知识检索节点）
3)将知识检索的结果进行文本分析（使用LLM语言模型将检索的结果进行解析）
4)将分析后的结果回复给用户
重复进行上述的循环

整体编排的节点可以先设置成这个样子：
每个节点的操作逻辑可以参考本文第三节的细节介绍

2.3 试运行使用

将应用选择发布，然后可以预览调试

预览的对话框界面参考：

点击运行后的对话框参考：

三 Dify编排的节点配置

3.1 怎么新增节点和重命名

创建节点： 两个节点之间的连线，鼠标浮动上去，会有一个“+”号，点击这个符号就可以创建一个节点

重命名节点： 如果模型的节点很多，且一个模型重复使用，得考虑节点的命名方便识别。重命名的方式很简单，点击对应的节点，就会显示当前节点的参数框，参数框的最上面就是默认的节点名字，可以改成我们命名的名字，方便识别，参考下图

3.2 节点参数配置

3.2.1 提取关键内容

主要配置的内容项：
1.选择模型：即选择哪个大语言模型进行分析，目前有gpt、通义、deepseek等模型，这里默认的是通义的模型
2.全局指导：告诉应用怎么处理数据，也是应用使用的前提条件
3. 给模型的指令：即用户询问的问题，一般可以不写，也可以补充增加一下问题润色。比如用户每次输入“我的包在哪里”，我们润色后都加上“问题如下：”，系统接收的实际问题为：“问题如下：我的包在哪里”
4.会话记忆：记录每次对话上下文的内容，并给出记忆对话内容的轮次，比如设置了5次那么第六次对话，系统就不记得第一次问的问题了
5. 输出变量：即模型的输出结果（一般这个不用动，但是我们得知道输出的名字是什么，下个节点得使用这个输出变量的明细）

相关配置的参数可以参考下述截图：

3.2.2 知识检索

知识检索节点主要考虑配置的参数有：
1.查询变量：即要检索的知识问题是什么，这个是通过“提取关键内容”节点输出来获取的
2.知识库：选择要检索的知识库，这个是我们一开始创建的知识库
3.输出变量：即通过知识库检索的结果是什么

知识检索相关配置参数参考：

3.2.3 回答问题

回答问题节点和“提取关键内容”节点，其实都是LLM大语言模型，参数配置基本是一样的
这里主要的区别在于：
1.输入的配置：输入是知识检索的结果
2.全局内容有变化：全局内容是知识库范围的内容
回答问题节点的配置，参考下述截图，其中全局参数部分的“上下文”，可以通过输入"/"来唤出引用

3.2.4 直接回复节点

直接回复节点比较容易，直接将内容显示给用户即可
它只有一个配置，接收上个节点的输出，上个节点的输出
配置成上个节点的输出变量即可
配置参数参考下述截图界面：