01月27日
一、今日完成情况
- 明天生活回到正常状态，今天还是恢复状态，开始接受家里的各种设定。
二、今日感悟
- 核心业务数据：
- dify公众号高级工作流，已经完成，回答的深度还是有的，遇到的问题就是ollama没有开启导致的知识库检索失败，其他都非常顺利。
- 今日工作总结：
- 明日工作计划：
- 今日学习成长：
三、备注
- 无
四、增强版知识问答检索工作流
| 步骤 | 节点类型 | 核心目的 |
|---|---|---|
| 1. 意图拆解 | LLM 节点 | 将用户问题拆解为 3-5 个具体的知识点查询词，通过 deepseek-reasoner 生成思考大纲。 |
| 2. 多路检索 | 知识库检索 | 开启“多路召回”，并配合 Rerank（重排序） 节点。专业内容对相关性要求极高，向量检索（Embedding）有时不准确，必须用 Rerank 筛选出最硬核的段落。 |
| 3. 内容合成 | LLM 节点 | 此时再接入 deepseek-reasoner。给它所有检索到的碎片，要求它先进行“背景对齐”，再进行“系统化论述”。 |
A. 利用 DeepSeek-R1 的深度推理
你选用的 deepseek-reasoner 本身就擅长逻辑推演。在提示词（Prompt）中，不要直接让它“回答问题”，而是让它执行以下指令：
“请先结合检索到的知识库内容，分析该问题的底层逻辑。在输出正式回答前，先在
<reasoning>中梳理该领域的专业背景、核心概念之间的关联，以及公众号文章中提到的关键证据。”
B. 引入“重排序”（Rerank）节点
在你的“KNOWLEDGE RETRIEVAL”节点设置中：
- 开启 Rerank 模型（如 BGE-Reranker）。
- 提高 Top K 值：专业内容需要参考更多背景。将 Top K 调高到 10-15，然后通过 Rerank 筛选出得分最高的 5 条。
- 这能有效解决“内容过于专业”导致向量匹配度低的问题。
C. 结构化输出（Professional Citation）
为了让回答更有“公众号专业范儿”，在 OUTPUT 之前的 LLM 节点中，加入严格的格式约束：
背景铺垫：要求 AI 先交代该话题在行业/专业背景下的位置。
引用规范：强制要求在回答中使用
[1],[2]标注，并在文末列出“参考文章：”。Dify 的检索结果可以返回segment的 metadata（如文章标题），一定要把这些参数传给最后的 LLM。START
LLM (Query Transformer): 将“怎么看 A”转化为“A 的定义、A 的历史、A 在公众号中的案例”。
KNOWLEDGE RETRIEVAL: 检索上述所有关键词。
RERANK: 对所有碎片进行二次精选。
LLM (DeepSeek-Reasoner):
- System Prompt: 你是一个专业的公众号资深编辑，擅长深度长文。
- Task: 请结合背景知识，分章节（背景、核心分析、公众号观点总结、引用来源）回答。
OUTPUT
转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 kipleyarch@gmail.com
