04 · AI群聊导购助手·完整操作手册

本手册用于培训带教，包含完整操作步骤 + 真实踩坑排查方法 基于Dify平台搭建，全程零代码 平台：dify.ai　模型：DeepSeek（对话）+ 硅基流动（Embedding）

手册使用说明

这份手册分两部分：

第一部分（第一至第七章） 是从零开始的完整搭建步骤，照着做能跑通整个项目。

第二部分（第八章） 是常见故障排查清单，收录了实际带教/自己操作时真实遇到的问题，按"现象→原因→解决方法"的格式整理，遇到问题直接查对应条目。

建议培训时，讲师自己先完整跑一遍全流程，熟悉每个环节可能出现的报错，再带学生操作。

第一章：账号准备

1.1 注册Dify

1. 打开 dify.ai，用邮箱注册
2. 有免费额度，足够教学场景反复测试使用

1.2 注册DeepSeek（对话模型）

1. 打开 platform.deepseek.com，注册登录
2. 左侧「API Keys」→「创建API Key」，复制保存（只显示一次）
3. 建议充值（费用很低，几十次测试对话大概几毛到几块钱）

为什么选DeepSeek： 价格比OpenAI/Claude便宜一个数量级，适合教学反复试错；国内访问稳定，不用处理海外网络问题。

1.3 注册硅基流动（Embedding模型，DeepSeek官方不提供）

1. 打开 siliconflow.cn，注册登录
2. 创建API Key
3. 充值一点余额（Embedding调用成本很低，10-20条数据几分钱量级）

为什么需要单独配置这个： DeepSeek只提供对话模型，不提供把文字转成向量的Embedding模型，必须额外找一个供应商。

第二章：创建应用与配置模型

2.1 创建Chatflow应用

1. 登录Dify，进入「工作室」
2. 点击「创建空白应用」
3. 选择「Chatflow」（不要选"聊天助手"，因为需要意图分流的条件判断能力，只有Chatflow支持可视化的分支编排）
4. 应用命名，比如"AI生鲜导购"

2.2 配置DeepSeek模型

1. 左侧菜单「设置」→「模型供应商」

2. 找到「深度求索」（DeepSeek中文名），点击「添加API密钥」

3. 表单填写：

   凭据名称：随意起名，比如"DeepSeek教学用"
   API Key：粘贴DeepSeek平台生成的密钥
   API Base URL：留空，不用填
   

4. 保存

5. 回到「模型供应商」页面顶部，点击「默认模型设置」

6. 「系统推理模型」选择 deepseek-chat（不要选deepseek-reasoner，那个更贵更慢，这个项目用不上复杂推理）

2.3 配置硅基流动（Embedding供应商）

1. 同样在「模型供应商」页面，找到「硅基流动」
2. 添加API密钥（操作同上）
3. 这一步先不用在"默认模型设置"里选Embedding模型，等到建知识库时再选（后面第三章会讲）

第三章：准备数据 + 建知识库

3.1 数据格式：优先markdown,Excel

提醒： 如果用Mac自带的TextEdit写txt文件，默认保存格式是富文本（RTF），即使文件后缀是.txt，Dify也解析不了，会上传失败。

直接用Excel，理由不只是避坑：

表格的每一行天然就是一个独立的知识单元，不需要系统去猜"从哪里切片"，比大段文字更可控，检索也更精准。

企业知识: 建立知识库管理机制,谁是负责人,资料范围有哪些,更新频率,切分方式,文件格式,拒答规则. 以及知识资料更新的sop也是很关键.最怕新旧规则同时存在,版本相互冲突.多检测.

原始素材的预处理比切分更重要,PPT,PDF等要转化成结构化的markdown文件.飞书文档(数据打通方便,但是也不算纯markdown格式)的应用其实在企业是非常好的数据标准化的过程.

3.2 商品知识库数据结构

四列：商品名 / 规格 / 价格 / 卖点

鲈鱼        500g一条    20元    肉多刺少，鲜活
三文鱼块     600g一条    69元
榴莲（金枕） 约3kg一个   89元    现切可选
草莓        250g一盒    15元    当季新鲜
基围虾      500g       35元    鲜活现捞

建议准备10-15条，覆盖多个品类。

3.3 生活知识库数据结构

两列：问题 / 回答（问答对结构，检索精准度最高）

鲈鱼怎么做？          清蒸红烧都可以
草莓怎么保存？        不洗直接冷藏，吃之前再洗，洗完容易坏得快
基围虾怎么挑新鲜的？   看虾壳是否透亮发青，虾头不发黑，闻着没有腥臭味

关键提醒——问题字段不要混合不同粒度的提问方式：

真实踩坑案例：一开始把"榴莲怎么看好坏"和"我的有酒精味"这两种不同粒度的问法写在同一条数据的问题字段里——

错误示范：
问题：榴莲怎么看好坏，我的有酒精味
回答：有酒精味说明过熟发酵了，不建议吃，正常应该是浓郁果香味

结果是：当用户只问通用的"榴莲怎么看好坏"（没有说自己的具体情况）时，AI依然会用"针对具体场景"的语气回答，显得答非所问。

正确做法：把通用问法和具体场景问法拆成两条独立数据：

正确示范一（通用挑选方法）：
问题：榴莲怎么看好坏
回答：看果壳是否裂开一条缝，闻着有没有浓郁果香味，按压软硬适中说明成熟度刚好

正确示范二（具体场景判断）：
问题：榴莲有酒精味还能吃吗
回答：有酒精味说明过熟发酵了，不建议吃，正常应该是浓郁果香味

这是数据治理里最容易被忽视、但影响很大的一个细节，培训时建议专门用这个案例给学生讲清楚。

企业情况:知识库不能太大,一定要精准

3.4 上传知识库

1. 左侧菜单「知识库」→「创建知识库」
2. 选择「创建即用型知识库」（不要选"构建自定义知识库"，那个需要自己搭数据处理节点，新手不用）
3. 上传Excel文件
4. 进入「文本分段与清洗」页面：

分段设置：保持默认（分段最大长度1024字符、重叠50字符）
         表格数据每行内容很短，用不到这么大，默认值足够

5. 索引模式：必须选「高质量」，不要选「经济」

高质量 → 调用Embedding模型做真正的向量化，
        "语义相近能检索到"这个能力靠这个实现

经济   → 不做向量化，退化成关键词匹配，
        检索能力弱很多，一定不要选

6. Embedding模型：选 BAAI/bge-large-zh-v1.5

把一段文字变成一串数字向量化：

概念：余弦相似度，看两个向量方向有多接近

不要选：
BAAI/bge-large-en-v1.5    → 后缀-en是英文优化，不适合中文数据
netease-youdao/bce-embedding-base_v1 → 中英通用，但不如专精中文的准

要选：
BAAI/bge-large-zh-v1.5    → 后缀-zh专门为中文语义优化，这个项目选这个

其他知识:维度,每个模型都对应一个维度.维度越高精度越准,但是成本和速度都会变慢,768-1024维度差不多.

企业知识: 跑分第一不代表复合你的场景,需要进行实际测试,先用中文通用的跑通再进行评估 企业内部还需要评估价格和数据敏感度.openai的还是挺贵的,尤其数量上去之后.另外还有合规程度,有的企业数据很敏感,情愿自己部署多花钱,也不用线上大模型.

7. 检索设置：

召回：从知识库里把可能相关的 chunk 捞出

• 全文检索 / 关键词检索（BM25）：靠命中的关键词进行寻找，大部分位置都找不到，但比较精准
  • BM25 是关键词检索的标准打分算法，命中的词越多、命中的越稀有，得分越高，只会字面命中，不懂近义词
    • 算分逻辑小概念（比老检索方式 TF-IDF 的优势）：1、稀有词更值钱；2、出现词的频率高不代表相关度越高，越多能加的分越少；3、文档越长扣分越多
• 向量检索：靠意思相近的去寻找，懂语义，例如"水果"与"瓜果"是类似的

检索的配置方式，复杂的地方在这里，在企业中要达到应用层面，苦力活就在这里：

检索方式：选「向量检索」（不用选混合检索，数据量小用不上）
Rerank模型：关闭（原因见下方"真实踩坑"）
Top K：保持默认3
Score阈值：保持关闭

8. 点击「保存并处理」

为什么Rerank要关闭（真实踩坑案例）： 教学测试中发现，某些Rerank模型（比如网易有道的reranker）在部分账号下会出现403权限报错，导致检索直接返回空结果。数据量小（10-20条）时Rerank带来的提升也不明显，建议直接关闭，避免不必要的报错风险。

这个过程是存储到向量数据库，常见的有 milvus、pinecone 等，Dify 自己有个存储向量的地方：

9. 商品知识库和生活知识库，都重复上面这套流程，各自单独建一次。

3.5 验证知识库是否处理成功

1. 进入刚建好的知识库，看文档列表状态
2. 正常应该显示"可用"

如果状态一直卡在"排队中"不动（真实踩坑）：

排查步骤：
1. 进「知识库设置」，检查Embedding模型是否显示的确实是bge-large-zh-v1.5
   （之前发生过：选了模型但没真正保存成功，还是默认的模型，导致处理失败）
2. 如果模型显示不对，重新选择并保存
3. 用文档列表最右边的"可用"开关，关闭再打开，强制触发重新处理
4. 如果依然卡住，检查硅基流动账户余额是否充足

3.6 用"召回测试"验证检索效果

1. 进入知识库左侧菜单「召回测试」
2. 输入一个测试问题，比如"榴莲怎么看好坏"
3. 查看返回结果，重点看：

Score分数是否从高到低排列（证明按语义相似度排序，不是瞎给的）
排名第一的内容是否真的和问题最相关

第四章：搭建意图判断节点

4.1 添加LLM节点

1. 进入Chatflow应用画布
2. 点击「开始」节点右侧的「+」
3. 添加「LLM」节点
4. 双击节点标题，改名为"意图判断"（如果双击改不了名字，不影响功能，跳过即可）

4.2 配置模型

模型选择 deepseek-chat

4.3 配置 意图识别

分类框：

• 导购：导购类，用户想了解购买咨询具体商品
• 知识：知识类，用户想了解知识、挑选方法、保存方法等
• 模糊：同时涉及商品和知识，无法明确分类的

指令框：

• 导购类例子：有什么鱼推荐？鲈鱼多少钱？
• 知识类例子：榴莲怎么看好坏？西瓜如何保存？
• 模糊类例子：榴莲怎么看，有什么推荐吗？家里有一条鱼，怎么做合适，需要搭配些什么菜？

企业知识:用户根本不会提问,需要理解用户到底在问什么就需要大量的调整和迭代. 这次不涉及,但是复杂系统更多还是要实现query改写+多轮对话上下文传递.

第五章：搭建条件分支

5.1 添加条件分支节点

1. 在"意图判断"节点右侧点「+」
2. 添加「条件分支」节点

5.2 配置判断条件（这里是真实踩坑重灾区，务必仔细核对）

点击条件分支节点本身，配置三个分支：

IF（CASE1）：
变量：意图判断 → text
判断方式：是（等于）
值：导购

ELIF（CASE2）：
变量：意图判断 → text
判断方式：是（等于）
值：知识

ELSE：
（默认兜底，对应"模糊"的情况，不需要额外配置）

真实踩坑警告： 曾经发生过IF和ELIF两个条件都被误填成"导购"（复制粘贴时没改值），导致所有问题（不管是导购还是知识类）全部被判进同一个分支。配置完一定要逐条核对IF和ELIF的判断值是否不同。

5.3 连接分支到对应的知识检索节点

重要操作提醒：连接已有节点，不要用"+"新建

点条件分支节点右侧的"+"号，弹出的列表只能"新建"一个节点，不能选择连接到画布上已经存在的节点。

正确操作： 鼠标移到分支连接点上，直接按住拖拽一条线，拉到目标节点上再松手，这样才是"连接到已有节点"，不会重复新建。

三条分支分别连接：

CASE1（导购） → 连接到"商品知识库"检索节点
CASE2（知识） → 连接到"生活知识库"检索节点
ELSE（默认）  → 连接到一个同时检索"商品+生活"两个知识库的节点

第六章：搭建知识检索节点

6.1 导购分支的检索节点

1. 添加「知识检索」节点
2. 知识库选择「商品知识库.xlsx」

6.2 知识分支的检索节点

1. 添加「知识检索」节点
2. 知识库选择「生活知识库.xlsx」

6.3 默认（模糊）分支的检索节点

1. 添加「知识检索」节点
2. 同时勾选两个知识库：商品知识库.xlsx + 生活知识库.xlsx

重要：这个节点有独立的"召回设置"，跟单个知识库自己的设置是分开的（真实踩坑重点）

点击这个检索节点的「召回设置」按钮，会弹出一个独立的配置窗口，里面有两个标签页：

「权重设置」  → 用语义相似度和关键词匹配的比例来排序，
              不需要调用额外的Rerank模型
「Rerank模型」→ 用一个专门的模型对结果重新排序

真实踩坑案例： 曾经这里默认选中了"Rerank模型"标签，用的是网易有道的reranker模型，结果调用时报403 Forbidden错误（权限不足），导致这个分支的检索一直返回空结果，AI因为没有任何参考内容，开始编造不存在的信息（比如把榴莲问题答成了牛油果）。

解决方法：把这里切换到「权重设置」标签，滑块设置为"语义1.0"，完全绕开有问题的Rerank模型。

第七章：搭建生成回答与输出节点

7.1 每条分支各自添加一个"生成回答"节点

在三个知识检索节点后面，各自添加一个「LLM」节点，命名为"生成回答"（三个独立配置，不要合并成一个，这样逻辑更清晰、更容易排查问题）。

7.2 配置模型

三个都选 deepseek-chat

7.3 配置Prompt

导购分支：

你是生鲜电商的AI导购助手，语气亲切自然，像朋友聊天一样，不要太正式。

以下是检索到的相关信息：
{上下文占位符 —— 见下方"如何正确插入"}

用户问题：{{#开始.query#}}

请基于以上信息回答用户问题。要求：
1. 如果检索到的信息里有相关商品，可以自然地推荐并附上规格和价格
2. 如果用户问题比较开放（比如"有什么水果推荐"），应该列出所有相关商品供用户选择，
   不要只推荐一个，也不要脑补用户没有表达过的情境（比如担心发胖、热量偏好）
3. 如果检索到的信息完全不相关，诚实说"这个我暂时不太清楚，建议问一下客服哦"，不要编造
4. 回答控制在3句话以内，口语化

知识分支：

你是生鲜电商的AI导购助手，语气亲切自然，像朋友聊天一样，不要太正式。

以下是检索到的相关信息：
{上下文占位符}

用户问题：{{#开始.query#}}

请基于以上信息回答用户问题。要求：
1. 优先回答知识类问题（怎么挑选、怎么保存、怎么做）
2. 如果检索到的知识和某个商品相关，可以顺带提一句"我们店里也有卖哦"
3. 如果检索到的信息完全不相关，诚实说"这个我暂时不太清楚，建议问一下客服哦"，不要编造
4. 回答控制在3句话以内，口语化
5. 不要用"你是想问...吧"这类复述句开头，直接回答

默认（模糊）分支：

你是生鲜电商的AI导购助手，语气亲切自然，像朋友聊天一样，不要太正式。

以下是检索到的相关信息（可能包含商品信息和相关知识）：
{上下文占位符}

用户问题：{{#开始.query#}}

请基于以上信息回答用户问题。要求：
1. 这类问题往往既涉及商品又涉及知识，尽量两方面都照顾到
2. 如果检索到的信息中有一部分完全不相关，就只用相关的那部分回答，不要硬凑
3. 如果都不相关，诚实说"这个我暂时不太清楚，建议问一下客服哦"，不要编造
4. 回答控制在3句话以内，口语化

7.4 如何正确插入"上下文占位符"（真实踩坑重点）

错误做法： 直接手打或者用{x}选择检索节点的result变量（比如{{#导购.result#}}），这样虽然内容能显示，但Dify会一直提示"要启用上下文功能，请在提示中填写上下文变量"，警告不会消失。

正确做法：

1. 光标停在SYSTEM框里想插入的位置
2. 点击{x}图标
3. 在弹出的变量列表最下方，找到「上下文」这个专门的选项（带文档图标）
4. 点击插入

插入成功的标志：文本框里会出现一个紫色背景的标签块（不是普通文字），这时候警告提示会自动消失。

7.5 每个"生成回答"节点后面，添加"直接回复"节点

这一步经常被遗漏，是导致"预览测试时明明LLM生成了内容，但对话框里什么都看不到"的直接原因。

1. 在每个"生成回答"节点右侧点「+」
2. 添加「直接回复」节点
3. 在"回复"输入框里，点{x}图标
4. 选择"生成回答"节点的text变量插入（不要手打）

为什么必须要这一步： "生成回答"节点只负责让LLM"思考"生成内容，这段内容存在内部变量里，不会自动显示给用户。因为Chatflow可能有多个LLM节点在不同分支工作，系统无法自动判断该展示哪一个的结果，必须用"直接回复"节点明确指定"这次要把哪个变量的内容，正式输出给用户看"。

三条分支都要各自配置一个"直接回复"节点。

第八章：测试与迭代

8.1 十道标准测试题

导购类（4题）：
1. 有什么鱼推荐吗
2. 鲈鱼多少钱一条
3. 有没有新鲜的虾
4. 想买点水果，有什么推荐

知识类（4题）：
5. 鲈鱼怎么做好吃
6. 榴莲怎么看好坏
7. 草莓怎么保存
8. 鸡蛋怎么判断新不新鲜

模糊类（2题）：
9. 家里有条鲈鱼，怎么做，你们还有卖吗
10. 想吃榴莲但怕挑到不好的，有推荐的吗

8.2 三层打分标准

硬错误：回答了错误信息（比如推荐了不存在的商品，说错价格）—— 最严重，优先修
软错误：方向对但不精准（比如脑补了用户没提过的情境，检索范围过宽带出无关内容）
体验问题：内容准确但表达生硬（比如机械的复述式开头）—— 优先级较低但影响体验

8.3 真实测试中发现的典型问题案例（可直接用于培训举例）

案例一：复述式开头（体验问题，影响多题）

测试发现，知识类问题的回答统一以"你是想问...吧"这种复述句开头，显得生硬，不像真人对话。

修复方法： 在Prompt里明确加一条约束"不要用'你是想问...吧'这类复述句开头，直接回答"。

效果： 加了这条约束后，涉及的题目评分从4/5统一提升到5/5。

案例二：数据切片粒度问题（软错误，技术含量最高的案例）

测试"榴莲怎么看好坏"这个通用问题时，回答语气却像在回应"我的榴莲有酒精味"这种具体场景，答非所问。

根因： 原始知识库数据把"通用问法"和"具体场景问法"混在了同一条数据的问题字段里。

第一次尝试（未完全成功）： 只新增了一条通用挑选方法的数据，但没修改旧数据，导致新旧数据同时被检索到，AI仍然优先套用旧数据的语气。

真正的修复： 把旧数据的问题字段也同步修改，让两条数据的语义边界清晰分开。

这个案例适合重点讲给学生听——它展示了"第一次没做对，重新定位问题，第二次才真正解决"的完整迭代过程，比一次性做对更有教学价值，也更符合真实工程场景。

8.4 测试记录表格模板

附录：故障速查表

本手册基于真实Dify项目搭建全过程整理，所有故障案例均为实际操作中真实发生，非假设场景。