Dify客服智能体全流程实战：揭秘RAG效果提升关键

Dify是一款开源的大语言模型应用开发平台，其核心目标在于降低AI应用的开发门槛，助力开发者和企业高效构建、部署与管理生成式AI应用。

Dify的知识库功能将RAG流程中的各个步骤可视化呈现，操作界面直观易用。用户可借此管理个人或团队知识库，并快速将数据集成至AI应用。然而，要充分发挥RAG的检索效果，需要在分段设置上精心配置。

本文聚焦于RAG技术原理与核心价值、Dify平台中父子模式提升检索精度的机制，以及从网页抓取到客服系统落地的完整实战流程。

先看看最终做出来的客服智能体长什么样：

RAG技术详解与核心价值

RAG的定义与工作原理

RAG（Retrieval-Augmented Generation）即检索增强生成，其核心逻辑可概括为：RAG = 知识检索系统 + 大语言模型（LLM），通过将外部知识库与大模型结合，提升回答的准确性与时效性。

在问答过程中，RAG系统会执行以下步骤：首先，根据用户问题从知识库（向量数据库）中检索相关文档；然后，将检索到的真实资料作为上下文提供给大模型；最后，大模型基于这些信息进行加工与归纳，生成准确可靠的回答。

RAG的重要性与应用价值

RAG之所以重要，源于以下几个关键因素：

减少幻觉：大模型在处理超出训练范围的问题时可能产生不实信息。RAG通过引入实时、真实的数据作为参考，有效降低幻觉风险。

解决时效性：大模型训练成本高昂且更新周期长，RAG则能检索最新数据与文档，使已有模型具备回答新问题的能力。

支持私有知识库：企业拥有大量内部数据，如产品手册、内部wiki、合同报告等，RAG可直接利用这些数据，无需重新训练模型。

提升可解释性：RAG能够明确指出回答的来源文档，从而增强结果的透明度和可信度。

RAG的技术架构与核心组件

向量化（Embedding）：将文档拆分为知识块，通过向量模型编码为向量，并存储于向量数据库（如Weaviate、Milvus等）。

相似度检索：根据用户问题，计算其与文档块之间的相似度，从向量数据库中检索出最相关的内容。

上下文构建：将检索到的内容拼接成完整的上下文，输入大模型处理。

大模型生成：大语言模型在获得补充背景信息后，能够生成更准确、专业且可信的回答。

提升Dify RAG效果的关键策略：父子模式

提升RAG检索效果的核心在于检索出合适的上下文内容。在Dify中导入知识库时，可选择两种文本分段方式：通用模式与父子模式。

通用模式

系统依据用户自定义规则将内容拆分为独立分段。当用户输入问题后，系统自动提取关键词并计算关键词与各分段的关联度，按关联度排序后挑选最相关的分段提交给LLM，辅助其回答问题。

但是，“通用模式”里的分段最大长度设置很让人头疼：

• 分段长度太小：文本被切分过碎，容易导致上下文信息丢失。
• 分段长度太大：过长的文本分段会显著降低Embedding检索精度，同时Embedding模型对每个分段的最大长度有硬性限制（通常不超过1万tokens）。

父子模式

父子模式采用双层分段结构，巧妙平衡了检索精度与上下文信息量，既能实现精确匹配，又能提供全面的上下文支持。

父区块：保持较大的文本单位（如完整段落），提供丰富的上下文信息。子区块：为较小的文本单位（如单个句子），专门用于精确检索。检索机制：通过子区块进行精确检索确保相关性，再获取对应父区块补充上下文，从而在生成回答时兼顾准确性与完整性。

利用Jina Reader高效抓取网页数据

原始HTML页面包含大量标记和脚本等噪音。Jina Reader API能够从URL中提取核心内容，将其转换为干净、大模型友好的文本，为RAG系统提供高质量输入源。

Jina Reader返回的结果为Markdown格式，因此需了解抓取结果的结构，以便设置正确的分段标识符。

可通过访问https://r.jina.ai/ + 页面地址查看Jina的输出格式。例如，尝试Dify安装部署FAQ页面：https://r.jina.ai/https://docs.dify.ai/zh-hans/learn-more/faq/install-faq。其输出结果中，分段标识符为### （三个#加一个空格），可据此正确切分不同问答内容。

基于Dify构建智能客服应用实战

创建知识库

新建知识库。操作不复杂：

• 数据源选择“同步自Web站点”
• 工具选择“Jina Reader”
• 页面链接填入：https://docs.dify.ai/zh-hans/learn-more/faq/install-faq（Dify安装部署FAQ页面）
• 取消勾选“爬取子页面”
• 点击“运行”

• 运行完成后，选择“下一步”

• 分段设置：选择父子分段模式
• 父块设置：分段标识符为### （三个#加一个空格），分段最大长度设为4000
• 子块设置：分段标识符为nn，分段最大长度设为512
• 注意：必须根据文档内容格式填写正确的分段标识符，否则RAG效果将显著下降

• Embedding模型：选择doubao模型

• 点击“保存并处理”
• 修改知识库名称与描述：
• 名称：Dify FAQ
• 描述：包含Dify常见问题问答内容

创建Agent应用

在http://localhost/apps页面点击“创建空白应用”，选择“Agent”类型，填写应用名称后点击创建，进入编排界面，界面如下所示：

• 设置提示词，内容如下：

你是一个Dify客服，需调用工具使用知识库的内容回答问题。
要求：如果知识库里没有答案，回复：没找到相关答案

• 添加知识库：将之前创建的“Dify FAQ”知识库添加至应用。
• 选择模型：选用doubao-1.5-pro-32k模型。
• 调试与预览：在下方输入问题，向Agent提问关于Dify的内容。

• 测试通过后，点击右上角的“发布”按钮。
• 发布完成后，点击“运行”即可打开应用的访问链接。

总结

至此，基于Dify构建客服智能体的完整流程已梳理完毕。可以看出，RAG机制本身并不复杂，关键在于分段策略的合理选择。父子模式在Dify中表现出色，成功解决了精准检索与完整上下文之间不可兼得的难题。配合Jina Reader高效抓取网页数据，知识库构建的效率与质量均得到保障。基于这些基础，开发者能够更轻松地在Dify上搭建出功能强大的智能客服应用。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Dify客服智能体全流程实战：揭秘RAG效果提升关键要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题