大模型实践（四）：如何在Dify上利用工作流快速构建出一个基于用户意图识别以及RAG知识库检索增强的智能聊天机器人？

一、预备知识介绍

通过本篇文章，你将学习到：如何在Dify上利用工作流来快速构建一个可针对用户问题进行分类或者说意图识别，并能够根据分类结果自动选择检索相应的知识库后，结合大语言模型LLM进行回复的智能聊天机器人。

该实践中需要用到的功能组件和节点：

工作流

根据我们搭建的场景，这里需要使用到Chatflow工作流，它主要应用于面向对话类情景，包括客户服务、语义搜索、以及其他需要在构建响应时进行多步逻辑的对话式应用程序。

常见的交互路径：给出指令 → 生成内容 → 就内容进行多次讨论 → 重新生成结果 → 结束

节点

节点是工作流中的关键构成，通过连接不同功能的节点，执行工作流的一系列操作。Dify的工作流主要有以下15类核心节点，本次实践主要应用到了其中6类节点，具体如下图红框框所示。

若要了解每类节点的具体使用说明，请参考Dify官方文档：https://docs.dify.ai/zh-hans/guides/workflow/node。

2.1 知识库

在本工作流节点中，关于【知识库】节点的使用，我们分别尝试了以2种不同的数据来源方式构建了2个知识库，关于知识库的具体操作可参考上一篇文章。

导入已有文本

同步自Web站点

说明：这里我们采用的是通过【🔥 Firecrawl】工具进行网站内容的爬取，若你还没有申请免费的API，需要先申请API后，再使用。

爬取后的网页数据：

2.2 大语言模型

大语言模型是聊天工作流中非常重要的一类节点啦，在这里因为我们考虑了需要先对用户的问题分类，然后再基于分类结果分别选择不同的知识库检索后结合大语言模型进行回复，根据任务目标，这里就需要使用到3类大模型，以更好的完成以下3个任务：

问题分类/意图识别
为了更好的对用户的问题进行分类，这里我们选择了千问2.5-720亿参数的大模型。

知识库检索
这里需要使用到重排序模型，以期从知识库中检索到和问题更相关的内容，我们选择的是通义千问的gte-reank重排序模型。

问题回复
经过知识库检索后的结果，需要送入大语言模型进行最终的回复，这里的大语言模型我们选择的是通过Xinference本地化部署的通义千问2.5-instruct语言模型。

2.3 变量聚合

由于流程设计的逻辑是，首先基于用户问题分类，然后根据具体问题分别检索不同的知识库后再给到大模型进行回复，使用该节点可以将不同知识库检索的结果汇聚在一个节点，然后在该节点之后只需要连接一个大语言模型节点即可，若不使用该【变量聚合】节点，则需要在每个知识库后面都增加一个大语言模型节点。

二、实操演示

首先，搭建完成后的整个Chatflow流程如下图所示：

然后，点击右上角的【预览】按钮，我们可以看到聊天对话框，在对话框中输入问题和机器人聊天，机器人在回复过程中我们也可以点击查看到具体执行的工作流：

最后，测试整个工作流是否会根据你的问题进行精准分类，并按照不同分支进行回复，具体测试结果可观看下面的一个录屏：

至此，我们今天的分享就结束了，快去动手试试吧

总结

本篇文章我们主要分享了关于如何在Dify上快速搭建一个能够对用户问题进行分类或者意图识别后，根据分类结果自动选择不同的知识库，并结合大语言模型进行问题回复的智能聊天机器人。在该框架搭建中主要使用到了Chatflow工作流以及几个核心节点，主要包括问题分类节点、知识库节点、变量聚合节点、大语言模型节点。在模型选择上也分别选择了通义千问的大语言模型、重排序模型。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇