一文详解用RAGFlow + Dify搭建高质量AI问数应用

最新推荐文章于 2025-04-12 11:37:44 发布
最新推荐文章于 2025-04-12 11:37:44 发布
阅读量1.3k 收藏 23
点赞数 26
文章标签： 人工智能 性能优化 AI大模型 大模型应用 RAGFlow Dify AI
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhishi0000/article/details/147121935
版权

图片

★

如何让业务人员摆脱SQL，直接用自然语言获取数据？本文分享一个实用案例：结合RAGFlow与Dify两大开源工具，构建高质量的AI问数应用。

前言

经过3天的验证测试，我发现RAGFlow与Dify产品组合在生成AI问数质量方面展现出了强大潜力。虽然存在一些不足，但RAGFlow成功填补了Dify知识库应用的短板，形成了一个高效互补的解决方案。

从整体逻辑构建来看：

  • Dify：擅长快速构建MVP产品原型，其插件系统和自定义工具使构建AI应用变得简单高效
  • RAGFlow：贡献两个关键能力： ①提供高质量知识库数据源；②通过NL2SQL功能作为AI问数的专业Agent

整体流程

整体架构图整体架构图

RAGFlow+Dify实际效果展示

从实际效果来看，这一组合实现的Agent逻辑非常符合预期，能够很好地完成多表关联查询等复杂任务：

1. Agent整体呈现结果

系统结构图Agent整体呈现结果

2. 复杂分析型查询支持

系统能够理解并处理复杂的分析型查询语句，生成准确的SQL查询并返回有价值的结果：

分析型查询示例1分析型查询示例1

分析型查询示例2分析型查询示例2

3. 三段式结果呈现

系统采用了清晰的三段式呈现方式，提升用户体验：

  • ① 首先展示SQL查询语句
  • ② 然后展示数据结果
  • ③ 最后提供总结分析

结果呈现示例结果呈现示例

★

小贴士：这种呈现方式让技术人员能够验证SQL正确性，同时也让业务人员直接看到结论，兼顾了不同用户需求。

实现步骤详解

整个实现过程分为几个关键步骤，下面详细说明：

1. Agent的设计架构

Agent作为整个系统的核心能力引擎，分为四个主要部分：

1.1 Agent提示词设计

明确定义Agent的身份定位和工作方法，通过精心设计的提示词引导AI生成高质量查询：

Agent提示词设计Agent提示词设计

★

关键点：好的提示词设计是高质量SQL生成的基础，需要明确告诉模型应该如何理解数据结构和生成查询。

1.2 知识库接入

系统采用RAGFlow提供的外部知识库，实现步骤如下：

第一步：引入外部知识库API

引入外部知识库API引入外部知识库API

第二步：接入RAG知识库

接入RAG知识库接入RAG知识库

1.3 工作流工具集成

Dify将工作流转化为可调用工具，使Agent能够实现自然语言查询：

第一步：构建工作流

构建工作流构建工作流

第二步：将工作流发布为工具

由于Agent只能通过Function Calling调用工具，需要将工作流发布为可调用的工具：

发布为工具发布为工具

第三步：优化工具描述

工具描述需要精心设计，帮助LLM准确理解工具功能并正确触发调用：

优化工具描述优化工具描述

★

实用技巧：工具描述是给LLM看的，而非给人看的，需要包含足够信息让模型理解何时以及如何调用该工具。

1.4 RAGFlow Agent集成

将RAGFlow的Agent作为工作流的核心环节，负责高质量SQL生成。RAGFlow Agent接口包含两个部分：

第一步：创建Agent会话

创建Agent会话创建Agent会话

第二步：与Agent交互

与Agent交互与Agent交互

2. 自定义API接口开发

为有效管理RAGFlow Agent会话，开发了一个自定义FastAPI接口，实现以下功能：

  • 会话管理：确保Dify Agent与RAGFlow Agent会话保持同步，保留上下文记忆
  • 对话交互：通过会话与RAGFlow Agent进行对话并获取回复

自定义API接口自定义API接口

★

注意：当前实现仅支持单会话对接RAGFlow Agent，多会话支持需要额外开发。

3. 接口注册与集成

将自定义接口注册到系统中，遵循OpenAPI 3.0规范：

接口注册接口注册

★

技术提示：可以让LLM协助生成OpenAPI 3.0规范的接口描述文档，提高开发效率。

4. RAGFlow Agent知识库设计

RAGFlow Agent的核心优势在于其高质量知识库，这也是保证SQL生成质量的关键因素。优质的知识库能提供准确的上下文信息，而低质量的知识库则可能导致误导和错误的SQL生成：

知识库设计知识库设计

结语

本文简要介绍了RAGFlow与Dify结合实现AI问数的验证方案。限于篇幅，无法详尽展示所有技术细节，有兴趣的读者可通过私信交流，我将尽可能整理更多细节到飞书文档中。

值得注意的是，AI问数仅解决了业务人员的基础取数需求，但业务分析还需要更进一步。未来的发展方向是基于数据指标完成归因分析，包括：

  • ✅ 建立归因链路中各指标对应的业务脉络知识库
  • ✅ 明确各指标的计算方法
  • ✅ 调度Agent进行指标数据检索
  • ✅ 完成数据结果的归因诊断

归因分析是一个需要大量企业个性化定制的知识库工程，但方法论是相通的。欢迎有志同道合的朋友一起交流探讨！

如何零基础入门 / 学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么我作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，希望可以帮助到更多学习大模型的人！至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

👉 福利来袭CSDN大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

全套AGI大模型学习大纲+路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

read-normal-img

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉 福利来袭CSDN大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

img

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。

RAGFlow + Dify 智能问数项目.zip
04-18
RAGFlow + Dify 智能问数项目.zip 解决了业务人员的取数需求
【大模型系列篇】Ollama、Dify和RAG：企业智能问答系统的黄金配方
木亦汐丫
12-13 836
​比较早之前我们整理过一篇关于通过部署Ollama和Open WebUI来搭建本地的问答系统，大家可以再跳转《本地问答系统-部署Ollama、Open WebUI》来阅读内容，今天我们通过上篇介绍的Dify 《加速AI应用开发：Dify——从构思到生产的一站式解决方案》，来复刻一套私有化部署的智能问答系统。
RAG+Agent平台新高度：RAGflow赋能GraphRA，打造卓越多模态问答与AI编排流
2401_85343303的博客
03-15 1281
环节要求CPU >= 4 核如果你并没有在本机安装 Docker（Windows、Mac，或者 Linux）, 可以参考文档 Install Docker Engine 自行安装。是Linux内核中的一个重要参数，它定义了一个进程可以拥有的最大内存映射区域数。内存映射区域通常指的是内存映射文件、匿名内存映射等。性能优化：通过增加vm.max_map_count的值，可以允许应用程序创建更多的内存映射区域，从而提高性能和效率。特别是对于需要频繁访问大量文件或数据的应用程序，这种优化效果尤为明显。
本地 AI 知识库秒搭！DeepSeek + Dify 打造你的智能问答助手
a543768773的博客
04-02 1073
想让 AI 记住你的知识库，能秒回精准答案？本教程教你 零成本 在本地部署 DeepSeek + Dify，打造 专属 AI 知识库！💡 你将学会： ✅ DeepSeek 本地大模型部署，让 AI 随时在线 🖥️ ✅ Dify 知识库集成，支持 PDF / Markdown / 网页数据 📚 ✅ 无缝连接 AI 与知识库，打造超强 检索增强生成（RAG）系统 🔍 ✅ API 接口调用，让你的 AI 轻松接入各类应用 🚀 🚀 完全离线运行！无隐私泄露风险！ 快来试试，打造你的智能 AI 知识管
国产之光博查AI搜索API×DeepSeek：手把手打造碾压秘塔的Dify智能工作流（附完整代码）
m0_68233023的博客
02-12 2296
作为国内顶尖的AI搜索接口，博查搜索API具备以下核心优势： ✅ 中文搜索结果精准度TOP1 ✅ 企业数据安全，数据不出海 ✅ 中文内容效果优于Bing，价格1/3 搭配DeepSeek强大的语义理解能力，可打造： ✨ 实时联网的智能问答系统 ✨ 行业数据动态分析助手 ✨ 秒杀传统检索方案的AI工作流注册Dify账号获取博查API密钥准备DeepSeek模型API（建议使用最新32K版本）将python3的代码设置为如下，复制即可def main(response: object) -> dict:
AI 驱动下的智能问数，将BI嵌入到聊天中
xx_nm98的博客
02-24 2026
在数字化浪潮席卷全球的当下，数据已然成为企业的核心资产。从海量的业务数据中快速提取有价值信息，并以直观易懂的方式呈现，成为企业在激烈市场竞争中脱颖而出的关键。与此同时，高效的信息传递机制犹如企业的神经脉络，确保各项指令与数据能够及时、准确地抵达每一个 “细胞”。过往，传统的数据获取与展示方式极为不便，效率低，成本高。而如今，随着技术的飞跃，通过 Dify 工作流与智能助理，融合 AI 技术的创新功能横空出世。这一变革性的方案，彻底颠覆传统模式，用户只需向智能助理简单描述需求，就能迅速获取对应数据。
零基础AI开发系列教程：Dify节点的详细介绍(上)
学习AI应用开发，分享AI干货、获取最新AI咨询
03-29 1089
节点是工作流的关键构成，通过连接不同的节点，从而实现工作流的功能。首先我们要明白一个核心概念：节点是为功能服务的。根据节点的功能，可以将节点划分为以下三类：基础与流程控制、数据处理与转换、AI与外部交互。
大模型（deepseek）之运用Dify构建智能体和工作流应用
热门推荐
qq_31400983的博客
11-17 3万+
完成设置后回到主页面，可以看到顶部的4个页面。“探索”页面提供了模板应用程序，用户可参考模板定制自己的应用程序。“工作室”页面用户可创建自己的应用，包括聊天助手、智能体、工作流。“知识库”页面用户可以通过上传自己的文本数据创建知识库增强 LLM 的上下文。“工具”页面是Dify本身集成第三方工具，用户也可自定义工具。
RAGFlow + Dify 智能问数项目 工作流
最新发布
04-18
RAGFlow + Dify 智能问数项目 工作流
DeepSeek+Dify极速集成：3小时搭建企业级AI知识库.pdf
02-19
在日常的工作和学习中，你...该文档【DeepSeek+Dify极速集成：3小时搭建企业级AI知识库】共计 20 页，文档内容完整、条理清晰。文档内所有文字、图表、目录等元素均显示正常，无任何异常情况，敬请您放心查阅与使用。
ollama+dify搭建本地知识库
02-18
ollama与dify结合使用，可以有效地构建本地知识库。ollama是一款开源工具，它允许用户在本地安装和运行，从而可以访问到内置的模型库。通过安装ollama，用户可以启动本地知识库，设置OLLAMA_HOST环境变量，以便系统...
AI老板心中的迈巴赫：DeepSeek+Ollama+Xinference+RAGFlow+Dify部署教程，RAG产品化体验5件套
yanqianglifei的专栏
03-21 1076
DeepSeek-R1火了之后，Ai老板部署需求大大提升，抛开效果不谈，五件套易用性和灵活性相比VLLM大大提升，门槛较低，但是效果不言而喻。以下部署全部以docker方式进行，因为太方便了,但同时坑很多，请做好心理准备喜欢折腾的同学可以按照下面教程进行部署，我也是被逼无奈请杯子里面装满水，原地坐牢，不出意外的话就马上出意外了，一个BUG一支烟。
RAGFlow Agent 实践——构建 AI 资讯推送助手
lyy2017175913的博客
12-25 4501
对于热爱 AI 行业的你，在查阅行业新闻时往往消耗了大量时间。今天将给大家介绍如何利用 RAGFlow 的 Agent 功能，创建一个 AI 资讯推送助手。这个助手能提取网络资讯并进行总结概括，让你轻松掌握行业动态。RAGFlow 是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。RAGFlow 可以为不同规模的企业及个人提供一套精简的 RAG 工作流程，结合大语言模型（LLM）针对用户各类不同的复杂格式数据提供可靠的问答以及有理有据的引用。
RAG+Agent人工智能平台：RAGflow实现GraphRA知识库问答，打造极致多模态问答与AI编排流体验
python1234_的博客
09-21 9570
环节要求CPU >= 4 核如果你并没有在本机安装 Docker（Windows、Mac，或者 Linux）, 可以参考文档 Install Docker Engine 自行安装。是Linux内核中的一个重要参数，它定义了一个进程可以拥有的最大内存映射区域数。内存映射区域通常指的是内存映射文件、匿名内存映射等。性能优化：通过增加vm.max_map_count的值，可以允许应用程序创建更多的内存映射区域，从而提高性能和效率。特别是对于需要频繁访问大量文件或数据的应用程序，这种优化效果尤为明显。
RAG+Agent平台新突破：RAGflow与GraphRA知识库结合，开启极致多模态问答与AI编排流新纪元！
2401_84204207的博客
03-07 1591
环节要求CPU >= 4 核如果你并没有在本机安装 Docker（Windows、Mac，或者 Linux）, 可以参考文档 Install Docker Engine 自行安装。是Linux内核中的一个重要参数，它定义了一个进程可以拥有的最大内存映射区域数。内存映射区域通常指的是内存映射文件、匿名内存映射等。性能优化：通过增加vm.max_map_count的值，可以允许应用程序创建更多的内存映射区域，从而提高性能和效率。特别是对于需要频繁访问大量文件或数据的应用程序，这种优化效果尤为明显。
RAG+AI工作流+Agent：LLM框架该如何选择，全面对比MaxKB、Dify、FastGPT、RagFlow、Anything-LLM,以及更多推荐
丨汀、的博客
07-30 3万+
RAG+AI工作流+Agent：LLM框架该如何选择，全面对比MaxKB、Dify、FastGPT、RagFlow、Anything-LLM,以及更多推荐
零基础AI开发系列教程：基于大模型的智能问数Text2SQL
学习AI应用开发，分享AI干货、获取最新AI咨询
04-12 1292
Text2SQL是指通过大语言模型把日常语言翻译成数据库指令。简单来说，它能把我们说的话变成数据库能听懂的"命令语言"（SQL）。 它的最大特点是：普通人不需要懂编程，只要用平时说话的方式提问，比如"帮我查一下上周销售额"，系统就能自动从数据库里查询数据，并做出分析。
dify智能体多级数据库查询
02-21
### Dify智能体实现多级数据库查询方法 在构建能够执行复杂操作的Dify智能体时，特别是涉及多级数据库查询的任务，通常需要设计一种机制来确保智能体可以有效地访问并处理来自不同层次的数据源。虽然直接关于Dify智能体进行多级数据库查询的具体描述未见于现有资料中[^2]，但从已有的技术实践出发，可推测此类功能的设计思路。 #### 设计理念 为了使Dify智能体支持多级数据库查询，应当考虑采用模块化架构，其中每个组件负责特定的功能层面上的操作。这包括但不限于数据获取、预处理以及最终的结果聚合。对于跨多个数据库级别的查询而言，关键是建立一套统一接口标准，使得各个独立运行的服务之间能顺畅通信，并且能够在必要时候协调工作流程。 #### 技术栈选择 考虑到性能优化与兼容性的需求，在技术选型上推荐使用现代化框架和技术工具集： - **ORM (对象关系映射)**：如SQLAlchemy或Peewee可以帮助简化Python应用程序同关系型数据库之间的交互过程； - **异步编程模型**：利用asyncio库配合aiohttp等网络请求库来进行非阻塞式的HTTP调用； - **消息队列服务**：例如RabbitMQ或者Kafka可用于解耦前后端逻辑，允许后台任务按需触发而不影响前端用户体验； ```python from sqlalchemy import create_engine, MetaData, Table, select import asyncio import aiohttp class DatabaseQueryAgent: def __init__(self, db_urls): self.engines = {name: create_engine(url) for name, url in db_urls.items()} async def fetch_data(self, query_params): tasks = [] metadata = MetaData() for dbname, params in query_params.items(): table_name = params['table'] columns = params.get('columns', '*') engine = self.engines[dbname] tbl = await loop.run_in_executor(None, lambda: Table(table_name, metadata, autoload_with=engine)) stmt = select([tbl.c[col] for col in columns]) task = asyncio.create_task(execute_query(engine, stmt)) tasks.append(task) results = await asyncio.gather(*tasks) return aggregate_results(results) async def execute_query(engine, statement): conn = await engine.connect() result_proxy = await conn.execute(statement) rows = await result_proxy.fetchall() await conn.close() return rows def aggregate_results(result_sets): combined_result = {} # Implement logic to merge multiple datasets into one coherent structure. pass if __name__ == "__main__": agent = DatabaseQueryAgent({ 'db1': "sqlite:///example1.db", 'db2': "postgresql://user:password@localhost/example2" }) queries = { 'db1': {'table': 'users'}, 'db2': {'table': 'orders'} } final_output = asyncio.run(agent.fetch_data(queries)) ``` 此代码片段展示了如何创建一个多线程环境下的代理类`DatabaseQueryAgent`用于并发地向两个不同的数据库发出查询命令，并收集返回的信息。需要注意的是实际应用环境中还需要加入错误处理机制以及其他必要的安全措施以保障系统的稳定可靠运作。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值