【手把手教学】在Dify上集成博查Web Search API实现RAG！搭建你的第一个RAG！

原创 已于 2025-03-19 20:29:24 修改 · 3.6k 阅读 · 13 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#前端 #人工智能 #python #语言模型 #自然语言处理 #机器学习

于 2025-03-18 20:05:23 首次发布

本文是《博查AI搜索接口系列》第四篇，前三篇已覆盖Web Search API、AI Search API和Semantic Reranker API。本篇将教你如何在Dify平台中调用博查Web Search API，搭建一个实时联网的RAG应用！

文章目录

一、Dify是什么？为什么选择它？

1.1 Dify：低代码LLM应用开发平台

Dify（官网：https://dify.ai）是一个专注于大语言模型（LLM）应用开发的低代码平台。它的核心功能包括：

  • 可视化工作流：通过拖拽组件构建AI应用，无需深入编码。
  • 多模型支持：无缝集成GPT-4、Claude、本地模型等。
  • RAG增强：内置知识库管理、文本分段、向量数据库对接能力。
  • 灵活部署：支持云服务、私有化部署和API调用。

1.2 为什么要在Dify中使用Web Search API？

传统RAG（检索增强生成）依赖静态知识库，但遇到时效性问题（如“今日天气”）或领域外问题（如最新科技动态）时，模型可能“胡言乱语”。
解决方案：在RAG流程中嵌入实时搜索能力，动态获取最新网页内容作为知识库！

1.3 Dify + 博查Web Search的优势

  • 降低门槛：无需从零搭建搜索、排序、生成的全链路代码。
  • 实时性保障：结合博查Web Search API，动态获取最新网页内容作为知识库。
  • 效果可调：通过提示词工程优化结果，支持多轮对话和复杂逻辑。

二、前期准备：API Key与Dify配置

2.1 获取博查API Key

  1. 登录博查AI开放平台 → API Key管理 → 创建密钥（形如sk-xxxxxx）。
  2. 保存密钥，后续需填入Dify配置。

2.2 创建Dify应用

  1. 访问Dify官网并登录。
  2. 进入工作室 → 创建空白应用 → 选择“Chatflow”。
    在这里插入图片描述
  3. 创建好之后，点击新建的应用图标进入，看到下面的界面。
    在这里插入图片描述

三、手把手带你实现自己的RAG

3.1 添加博查插件

  1. 返回到工作室 → 工具 → 添加工具 → 选择博查。
  2. 配置博查插件的KEY等参数。
    在这里插入图片描述

3.2 构建RAG工作流

1. 在LLM之前添加一个博查搜索节点，注意添加的是Web Search API：

在这里插入图片描述

最低0.47元/天 解锁文章
BigNorthBear
关注
[AI ][Dify] 构建一个自动化新闻编辑助手：Dify 工作流实战指南
每日出拳老爷子的博客
04-14 1240
本文展示了如何在 Dify 平台中构建一个完整的AI 驱动新闻编辑助手，通过模块化的节点组合，实现从内容获取到成品输出的全过程自动化。
0代码！教会你用Dify+DeepSeek搭建RAG知识库（附完整DSL）
yizhen91y的博客
04-08 2322
0代码！教会你用Dify+DeepSeek搭建RAG知识库（附完整DSL）
Dify插件开发之模型插件开发（傻瓜式记录）
最新发布
hnmpf的博客
11-07 1320
今天有空又想继续折腾下Dify插件开发关于模型接入这一块，虽然GitHub上有非常多且更加标准强大的成本，但本着尝试与学习的出发点做了一次尝试。
一文彻底搞懂大模型 - Dify（Agent + RAG）
2401_86435672的博客
10-09 3548
该平台结合了后端即服务（Backend as Service, BaaS）和LLMOps的理念，为开发者提供了。
开启智能体和知识库探索之旅：Dify知识库搭建RAG
瓦罗兰特顶级C位的博客
05-13 1482
当下让大模型掌握企业的知识和流程，成为企业AI应用的首选，今天我们介绍一下用Dify搭建一个简单RAG知识库，基于Prompts+ Embedding+Rerank混合方案，实现更高准确率。
大模型实战：快速搭建基于RAG知识库的智能聊天助手，在本地部署的开源大模型应用平台Dify & Xinference
2401_85325726的博客
12-23 2225
大语言模型的训练数据一般是基于公开数据，且每一次训练需要消耗大量的算力，这意味着大模型的知识一般不会包含私有领域的知识，同时在公开知识领域存也会在一定的滞后性。目前解决这一问题的通用方案是采用 RAG（检索增强生成）技术，即首先使用用户问题来匹配最相关的外部数据，然后将检索到的相关内容召回后作为模型提示词的上下文和原问题一起提交给大模型来重新组织回复。1.1 RAG 的概念解释。
图文｜手把手教你用Dify和Milvus快速构建RAG应用
Anspire的博客
06-09 1669
接下来，作为 “上下文”，需要点击 “添加” 图标，然后添加我们刚刚创建的知识库。在本节中，我们将使用 Dify 搭建一个 RAG 应用，能回答一篇研究论文中的问题。在本示例中，我们选择在浏览器中运行应用，因此点击 “运行应用” 即可。接下来，进入“模型提供方”（Model Provider）页面，将鼠标悬停在 OpenAI 上，然后点击“设置”（Setup）。最后，将这些嵌入向量存储到。文件包含启动和运行 Dify 应用所需的配置，例如向量数据库的选择、访问向量数据库所需的凭证、Dify 应用的地址等。
告别知识库“大海捞针”！Dify元数据过滤实现RAG精准检索，效率提升2倍
张伟的专栏
10-11 1070
元数据本质上是"关于数据的数据"，就像图书馆里每本书的标签一样。•文档类型：技术手册、用户指南、FAQ等•部门归属：市场部、技术部、人事部•保密级别：公开、内部、机密•创建时间：2024年1月、最近更新等•适用场景：新手入门、高级配置、故障排除想象一下，如果你的知识库里有5000份文档，没有元数据就像一个没有分类的巨大仓库，找东西全靠运气。有了元数据，就像给每个文档贴上了精准的标签，AI可以瞬间定位到最相关的内容。进入元数据管理：点击右上角的"元数据"按钮添加自定义字段。
解锁LightRAG：在Dify低代码平台构建高效RAG应用
专注RAG、Agents、Dify、Ragflow、知识图谱等大模型应用研发企业落地实践、案例教程、最新技术动态等内容，重在技术前沿、企业应用和实战，欢迎大家交流。
08-23 1079
本文介绍了一种轻量化图增强RAG框架LightRAG及其与低代码平台Dify的集成方案。传统RAG存在上下文理解不足的问题，LightRAG通过图谱化文本索引、双层检索范式和高效增量更新三大创新，实现了更优的检索性能和上下文理解能力。文章提出两种集成方案：一是将LightRAG作为API服务通过Dify工作流调用，二是在Dify中开发LightRAG插件实现深度集成。两种方案均无需修改Dify源码，保持了系统灵活性。LightRAG与Dify的结合为构建下一代智能知识库提供了新范式，在保持轻量化的同时提升了
dify + BochaWebSearch 实现ollama与硅基流动deepseek的联网搜索
AllYoung_362的博客
02-28 2726
配置时，通过创建自定义工具的方法，将BochaWebSearch设置为自定义工具，然后在工作流中接入BochaWebSearch 节点即可。基础URL 为ollama 服务，默认是 http://127.0.0.1:11434。创建自定义工具的方法为在dify的工具界面，点击创建自定义工具。进行登陆（本地配置可以登陆 http://127.0.0.1 或者http://localhost），进行Dify的设置。模型配置时，可根据具体需求进行选择Ollama 模型配置或者其他模型供应商的模型。
手把手教你用Dify开发智能体：RAG技术+知识库从入门到精通
Android_XG的博客
07-11 1152
检索增强生成（RAG, Retrieval-Augmented Generation）技术通过 “动态检索 + 智能生成” 的黄金组合，让 AI 系统既能调用实时知识库，又能生成自然语言回答，彻底改写了大模型的应用范式。本文从原理到实战，全面拆解 RAG 技术如何让 AI 告别 “胡编乱造”，在企业知识库、智能客服等场景中实现 90% 以上的回答准确率提升。
大模型应用开发平台Dify推出1.0版本，基于向量数据库Milvus实现RAG
ai_tech_talk的博客
03-04 4121
用 Dify 和 Milvus 搭建 RAG 系统实战指南。
Bocha Web Search API：国内可用的SerpAPI，可以平替Bing Web Search API，Google Web Search API
cxk19980802的博客
10-16 7725
在AI对话、AI搜索、AI智能体等AI应用的开发过程中，均需要引入联网搜索API来提供实时信息来增强检索并且降低大模型的幻觉。国内博查，为AI应用提供内容合规、价格实惠、更适合AI使用的搜索服务，数据来源和搜索结果符合国内安全规范，数据不出海，满足国内企业用户和开发者的应用场景。Bing Search API、Google Search API 这类 SerpAPI 均是海外服务，一方面会有国内用户数据出海的问题，另一方面搜索结果中的内容没有进行安全过滤，所以国内业务是不能使用这些海外的搜索服务的。
使用博查Web Search API获取搜索引擎的网页链接和文本摘要，给AI/RAG应用增加联网搜索功能，可平替Bing Search API、Google Search API，国内稳定可用。
cxk19980802的博客
10-14 4314
可以看到提供Web Search API、AI Search API、Agent Search API接口，分别提供近百亿网页内容搜索、大厂生态内容搜索、专业领域内容搜索，我们本篇只使用Web Search API即可。整体试了下，响应速度、搜索结果质量都相当不错，符合作者AI Agent应用场景的需求。
Dify平台接入博查实现deepseek-r1联网搜索，效果展示
xiezhipu的博客
02-20 2359
关于为本地化部署deepseek-r1增加联网功能，其实是一个很强的刚需。怎奈搜索这种东西，它大概率是要花钱的。不过咱上一篇已经大概分享了，我们可以借助会使用浏览器的智能体，来替我们对关键词进行百度。这也算是曲线救国。但不知道其中是否有法律风险。所以，如果是公司行为，尤其是大公司，建议，要不还是花点儿钱？当时，大模型给推荐的这个：博查。就试用了一番。
基于Dify的大模型RAG多轮对话性能优化方案（附代码）
热门推荐
05-22 1万+
区别于通用LLM的多轮对话实现，RAG中多轮对话，既需要保证LLM在对话时的历史对话能力，也要保证RAG检索时输入信息的完整，同时对于模型来说，应将对话信息和RAG检索等非对话信息有清晰、明确的区分。
大模型本地知识库：白嫖Qwen3大模型，手把手教你搭建本地知识库，打造最强大脑！
05-14
<think>好的，我现在需要帮助用户了解如何使用Qwen3大模型搭建本地知识库。根据用户提供的引用内容，之前他们部署了Qwen2.5模型，现在想升级到Qwen3。我需要结合之前的回答和引用中的信息，给出一个清晰的步骤指南。 首先，用户提到了Ollama和Dify的部署，所以可能需要在教程中包含这些工具的使用。用户之前部署了Qwen2.5，现在转向Qwen3，我需要确认Qwen3是否支持类似的部署方法，或者是否需要额外的步骤。 接下来，用户提到要结合本地知识库作为Dify的上下文，这意味着需要将知识库集成到Dify中，可能涉及文档加载、向量化存储和检索增强生成（RAG）的应用。这部分需要详细说明如何处理知识库文件，如何配置Dify来使用这些数据。 另外，用户提供的引用中有关于资料领取的部分，但根据系统指令，应避免无关推广，所以需要忽略这部分内容，专注于技术步骤。 还需要考虑用户可能的痛点，比如环境配置、模型下载、知识库格式要求等。需要分步骤解释，确保用户能逐步操作，同时注意技术细节的正确性，比如正确的Ollama命令、Dify的配置参数等。 最后，生成相关问题时要围绕搭建过程中的常见问题、优化方法和应用场景展开，帮助用户进一步探索。</think>### 使用Qwen3大模型搭建本地知识库的详细教程 #### 一、环境准备与模型部署 1. **私有化部署Qwen3模型** 使用Ollama工具部署Qwen3模型（7B或更高参数版本）： ```bash # 拉取Qwen3模型（假设已支持） ollama pull qwen3:7b # 启动模型服务 ollama serve ``` 若官方未直接支持，可手动构建`Modelfile`： ```dockerfile FROM qwen/qwen3:7b PARAMETER temperature 0.7 SYSTEM "你是一个专业的知识库问答助手" ``` 2. **验证模型可用性** 通过CURL测试API接口： ```bash curl http://localhost:11434/api/generate -d '{ "model": "qwen3:7b", "prompt": "量子力学三大基本原理是什么？" }' ``` #### 二、知识库构建与处理 1. **文档格式规范** - 支持格式：PDF/TXT/MarkDown/HTML - 推荐预处理：使用Python库清洗文本 ```python from bs4 import BeautifulSoup def clean_html(raw_html): soup = BeautifulSoup(raw_html, "html.parser") return soup.get_text() ``` 2. **向量化存储** 使用LangChain构建向量数据库： ```python from langchain_community.embeddings import HuggingFaceEmbeddings from langchain_community.vectorstores import FAISS embeddings = HuggingFaceEmbeddings(model_name="BAAI/bge-base-zh") documents = [...] # 预处理后的文档列表 vector_db = FAISS.from_documents(documents, embeddings) vector_db.save_local("my_knowledge_base") ``` #### 三、Dify平台集成（社区版） 1. **部署Dify服务** ```bash git clone https://github.com/langgenius/dify cd dify/docker docker-compose up -d ``` 2. **配置知识库连接** 在Dify控制台： - 新建应用 → 选择「知识库问答」 - 上传预处理文档或连接现有向量库 - 设置检索参数： ```yaml retriever: search_type: "similarity" k: 5 score_threshold: 0.7 ``` 3. **RAG流程配置** ```python # 自定义处理链示例 from langchain_core.runnables import RunnablePassthrough retriever = vector_db.as_retriever() qa_chain = ( {"context": retriever, "question": RunnablePassthrough()} | prompt_template | llm | output_parser ) ``` #### 四、效果优化技巧 1. **混合检索策略** 结合关键词搜索与向量检索： ```python from langchain.retrievers import BM25Retriever, EnsembleRetriever bm25_retriever = BM25Retriever.from_documents(docs) ensemble_retriever = EnsembleRetriever( retrievers=[bm25_retriever, vector_retriever], weights=[0.4, 0.6] ) ``` 2. **查询扩展** 使用Query2Doc技术增强检索： ```python from transformers import pipeline expander = pipeline("text-generation", model="Qwen/Qwen1.5-7B") expanded_query = expander(f"生成与'{query}'相关的三个扩展问题") ``` #### 五、监控与维护 1. **日志分析配置** ```bash # 查看Dify请求日志 docker logs -f dify-api ``` 2. **知识库更新机制** ```python # 增量更新脚本示例 def update_knowledge(new_docs): global vector_db vector_db.add_documents(new_docs) vector_db.save_local("my_knowledge_base") ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值