全流程实操教程：2小时构建RAG文档智能问答系统｜基于Dify

在这个信息泛滥的时代，知识并不稀缺，稀缺的是能真正用起来的知识。

从企业SOP，到政策文件；从医疗指南，到技术规程；从培训手册，到应急预案......无数内容整整齐齐地堆在硬盘里，形式上“数字化”，实质上仍难以调用：

我们一次又一次地在Word、PDF、Excel中翻找，只为那一句关键的内容。

大模型虽然强大，却难以获知你单位的内控制度、你部门的规章细则，更别提最新的制度更新或地区特有的专业术语。

RAG：

让大模型说“人话”，也懂“你的话”

所谓 RAG( Retrieval-Augmented Generation，检索增强生成），它的核心思想其实很简单：不是靠大模型自己“编”答案，而是让它先去你的知识库里“翻资料”，再带着上下文生成回答。

图片来源：《RAG实战课》作者黄佳老师

与传统的语义搜索相比，RAG 保证了答案与现有资料的一致性与可追溯性，也使得问答系统具备更强的稳定性与解释能力。本文将结合和鲸社区推出的搭建应急预案RAG智能问答助手训练营，介绍如何通过 RAG 技术和工作流工具，把本地文档转化为一个具备问答能力的系统。

应急预案：

结构化知识的典型案例

在本次训练营中，选取的落地案例是“气象灾害应急预案”“地震灾害应急预案”等官方文档。原因在于，这类文档具备如下特征：

• 内容结构明确：包含启动条件、响应级别、职责分工等固定章节；
• 信息时效性强：不同年份、不同地区的预案内容不尽相同；
• 检索价值高：在实际场景中往往需要快速定位关键信息（如“什么情况下启动一级响应”）。

正适合作为构建知识库与问答系统的素材。通过本期训练营，你将亲身完成从文档上传到知识拆解，从内容索引到语义检索，从模型配置到工作流发布的全过程，这种能力，一旦掌握，就可以在未来的无数应用场景中反复使用。

实操路径概览：

两步完成从文档到问答系统的构建

训练营将构建过程拆解为两关，分别对应知识库建立与问答系统搭建，均使用Dify平台完成。

0. 构建知识库：从文档拆分到向量检索

文档上传后，首要任务是“切分”与“建索引”。

• 分段策略选择：介绍通用模式、父子模式各自的优势，以及不同模式适合的文档类型。
• Embedding模型：选择使用Embedding模型，将文字转为可被LLM理解的向量。
• 检索策略设置：介绍向量检索、全文检索、混合检索三种检索方式的优点以及适用场景，并推荐权重设置，以更好兼顾理解能力与术语识别。

这一阶段的目标，是将文档变成模型可以理解、定位、引用的“结构化语义素材”。

<教案截图>

2.构建问答系统：通过工作流模块完成调用逻辑

完成知识库建设后，可在Dify中构建“ChatFlow”应用，实现用户提问 → 知识检索 → LLM回答的完整流程。核心模块包括：

• 搭建工作流模块框架：插入知识检索流程，调用之前设置好的知识库，并设置知识检索；
• 大模型调用设置：选择使用模型（如gpt-4o-mini），并配置上下文来源；
• Prompt设计：通过System规范大模型的回答内容、格式与要求；
• 调试与测试：在控制台中预览每一模块输入输出，测试召回准确性与上下文使用情况。

一旦流程通过测试，即可发布为内部使用的问答系统。

<教案截图>

可迁移性与推广价值

虽然案例选取了应急预案，但整个技术流程具有高度通用性，适用于场景包括且不限于：

• 政务系统：政策法规、审批流程等规范性文档的自助问答；
• 企业管理：HR 手册、操作规范、销售制度的内部知识平台；
• 医疗行业：诊疗指南、疾病库等资料的语义访问；
• 教育培训：教学讲义、课程资料的智能答疑；
• 工业领域：操作规程、安全手册的语境问答辅助。

对于具备较多结构化文档、但人工查阅效率低下的组织来说，RAG 与工作流系统的结合，不仅是技术方案，更是一种知识治理方式的更新。

学习资源推荐

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。