企业级RAG知识库智能问答系统实战
Dify.AI企业级RAG知识库智能问答系统完整前后端集成开发代码案例
一、项目概述
本案例基于Dify.AI开源低代码大模型平台搭建企业私有RAG智能问答系统，实现文档上传、文本切片、向量入库、检索增强问答、前端交互全流程打通。无需从零开发大模型推理服务，依托Dify封装的API快速完成业务集成，适配企业内部规章、产品手册、技术文档等私有知识库场景，支持私有化部署，数据不出内网。
技术栈说明
- 后端：Python3.10 + FastAPI
- 向量库：Dify内置Chroma向量数据库
- 大模型对接：Dify API（兼容通义千问、Llama、GPT系列）
- 前端：原生JavaScript + HTML5
- 核心能力：文档解析、分段向量化、相似度检索、上下文问答、会话记忆
二、环境前置准备
- 本地部署Dify服务，完成模型接入，创建知识库与应用，获取API Key、应用ID、知识库ID；
- 安装依赖包
pipinstallfastapi uvicorn requests python-multipart- 配置Dify基础连接参数，保存环境变量避免硬编码密钥。
三、后端核心接口代码实现
3.1 配置文件 config.py
# Dify服务基础配置DIFY_BASE_URL="http://127.0.0.1:8000/v1"DIFY_API_KEY="sk-xxxxxxxxxxxxxxxxxxxx"KNOWLEDGE_ID="kb-xxxxxx"APP_ID="app-xxxxxx"3.2 主服务 main.py
importrequestsfromfastapiimportFastAPI,UploadFile,Formfromfastapi.middleware.corsimportCORSMiddlewarefromconfigimportDIFY_BASE_URL,DIFY_API_KEY,KNOWLEDGE_ID app=FastAPI(title="Dify RAG问答对接服务")# 跨域配置app.add_middleware(CORSMiddleware,allow_origins=["*"],allow_credentials=True,allow_methods=["*"],allow_headers=["*"],)# 1. 上传文档至Dify知识库@app.post("/upload_doc")asyncdefupload_doc(file:UploadFile):headers={"Authorization":f"Bearer{DIFY_API_KEY}"}file_data={"file":(file.filename,awaitfile.read())}params={"knowledge_id":KNOWLEDGE_ID,"indexing_technique":"high_quality"}res=requests.post(f"{DIFY_BASE_URL}/datasets/documents",headers=headers,files=file_data,params=params)returnres.json()# 2. RAG智能问答接口@app.post("/chat")asyncdefchat(query:str=Form(...)):headers={"Authorization":f"Bearer{DIFY_API_KEY}","Content-Type":"application/json"}payload={"inputs":{},"query":query,"response_mode":"blocking","user":"enterprise_user_001"}res=requests.post(f"{DIFY_BASE_URL}/chat-messages",headers=headers,json=payload)return{"answer":res.json().get("answer"),"reference":res.json().get("retriever_resources")}if__name__=="__main__":importuvicorn uvicorn.run("main:app",host="0.0.0.0",port=8080)四、前端交互演示代码
<!DOCTYPEhtml><html><head><metacharset="UTF-8"><title>企业知识库问答</title></head><body><h3>私有知识库问答</h3><textareaid="question"placeholder="输入你的问题"></textarea><buttononclick="sendChat()">提问</button><divid="result"></div><script>asyncfunctionsendChat(){constq=document.getElementById("question").value;constres=awaitfetch("http://127.0.0.1:8080/chat",{method:"POST",body:newURLSearchParams({query:q})});constdata=awaitres.json();document.getElementById("result").innerText="回答："+data.answer+"\n参考文档片段："+JSON.stringify(data.reference);}</script></body></html>五、核心业务流程说明
- 文档上传：前端上传PDF/Word/TXT文件，后端转发至Dify接口，自动完成文本清洗、分段、向量存储；
- 用户提问：请求携带问题文本调用对话接口；
- 检索增强：Dify内部执行向量相似度检索，匹配知识库相关片段，拼接至Prompt送入大模型；
- 返回结果：输出模型回答+引用文档溯源，便于校验答案真实性；
- 扩展优化：可新增会话持久化、权限校验、批量文档导入、流式输出等功能。
六、部署与调试要点
- Dify服务必须正常启动，检查端口8000开放，API密钥权限完整；
- 向量检索质量可调整切片长度、检索条数、相似度阈值；
- 生产环境需关闭跨域通配符、密钥加密存储、增加接口限流；
- 大模型响应速度不足时，可切换本地开源模型降低网络延迟。
海量精选技术文档和实战案例持续更新，敬请关注【风骏时光少年】