【保姆级教程】Dify工作流：用爬虫批量把公众号文章存到AI知识库-优快云博客

本文链接：https://blog.youkuaiyun.com/Android23333/article/details/149428864

前言

知识库几乎是AI创作的中心，能解决很多问题，例如AI幻觉（按着知识库的内容来输出，不会乱写）

但我发现，很少人在用知识库，大家的一个痛点就是把内容加进「知识库」这件事比较费劲。

虽然腾讯的IMA知识库能让大家把公众号文章等内容快速存到知识库里，但受限于知识库的能力、模型和工作流问题，这种形式只能日常问答一下，无法赋能业务。

今天就跟大家分享一下，Dify如何用爬虫抓取网络内容后写入知识库中。

我的业务是数学思维的教培，经常需要制作优秀的小红书笔记、公众号内容来吸引客户。但纯AI生成的内容幻觉严重，而且「不落地」

所以我打算新建一个「数学思维知识库」，把小红书、公众号上优秀的内容都存进去，然后再让AI基于知识库来做内容的生产，效率和效果都能有保证。

以公众号的内容为例，假设我看到一个不错的文章，怎么把它加入到我Dify知识库呢？

前期准备

1. 创建知识库

如图，创建一个用于装内容的知识库。这里，我们创建一个空的即可。

此时，要先从网址中，找到这个知识库id在datesets和documents中间的就是了。

2. 新建API密钥

目前，Dify暂没有可以直接写入数据库的插件，所以我们是通过HTTP请求来解决的。

而走http就需要密钥。按下图新建一个。

注意⚠️ 这个密钥是可以操作所有知识库的

接着在文档中，找到通过文本创建文档，这里的请求规则就是后面我们需要编写的。

3. 安装Firecrawl

因为我们是要爬网页上的内容，所以需要一个爬虫工具。

这里选择用Firecrawl，可以直接在插件市场里找到安装。

然后根据提示到官网注册一个账号，拿到API Key

⚠️注意：Firecrawl实际只是有一定的免费额度。

以上准备工作完成，我们就可以开发工作流了。

老规矩，一步一步来，先做一个简单的，再做一个复杂的。

青铜：抓取单页面存入知识库

以下就是完整的工作流：

逻辑是从用户的输入内容中提取出网址，接着用Firecrawl去读取页面内容，再用AI提炼出标题和正文，最后存入知识库。

\1. 参数提取器

如图，很简单就不多说了。

\2. 单页面抓取

Firecrawl是有多个工具可以选

但这里我们选单页面抓取就好了

设置返回的结果是markdown格式

仅抓取主要内容为True，就是把无关的页头页尾之类的删掉

其中，关键的地方在于「请求头」

要知道，所有网站都有反爬措施，尤其是公众号文章，正常去抓是会识别成机器人，返回错误结果的，如下图：

解决方案就是加个请求头，伪装成正常的浏览器：

{'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'}

这样就能正确把文章内容抓下来了。

\3. 参数提取器

目的是从返回的内容中把标题和正文识别出来。

注意在提示词中要让AI确保还原完整的内容，不要去做任何改动。

\4. 转义特殊符号

因为我们要走HTTP请求，对于内容的格式是特别敏感的，有点换行符之类的就会报错了。

这里我们直接插入一段代码，把里面的几乎所有特殊符号都做处理。

参考：

function main({arg1}) {
    return {
        content: arg1.replace(/\\/g, '\\\\').replace(/"/g, '\\"').replace(/\n/g, '\\n').replace(/\r/g, '\\r').replace(/\t/g, '\\t')
    }
}

\5. HTTP请求：存进知识库

有了内容后，就可以新建HTTP请求节点。

这里有个小技巧，就是把前面API文档里的cURL示例，复制过来，能自动填入

然后点上面的**「鉴权API-Key」**

按下图把知识库的密钥加进去。

还有个要点：Headers里一定要加Content-Type，要不然会无法识别正确的格式。

\6. 测试运行

至此，就完成工作流了。

测试一下：把网址放进去。

OK，存进去了

先不着急用这个知识库，今天这内容，解决的是「存入」的问题，下次来解决「读取」怎么用的问题。

白银：批量存多篇内容

假如我现在有一批内容，要存进去，怎么搞？

这样一篇一篇的加，明显效率很低。

思路是：

\1. 先获取这些内容的地址
\2. 用**「迭代」节点遍历网址，**循环调用第一步的“读取网页-存入知识库”

工作流长这样：

ok，先解决第一步。

饼干哥哥之前用AI编程Cursor开发了一个浏览器插件，功能是把打开的网址采集下来，很方便

感兴趣可以留言，我出一期具体怎么做的教程

得到：

标题        mp_url
提高数学成绩的学习方法，比补课效果强100倍（深度长文）        https://mp.weixin.qq.com/s/NuFfXophlFASb2B6dpD17Q
学好数学，最重要的是抓住这个“根”！（附方法指引）        https://mp.weixin.qq.com/s/uz50tLQpHisNeYT9J-naHQ
提高数学成绩的超常规学习方法（深度好文）        https://mp.weixin.qq.com/s/vMqdQp0LWCO-OXgRRdJ7PQ
提高数学成绩的方法(建议永久保存)        https://mp.weixin.qq.com/s/SVSXmGDfR0JCDXq8Za9pvw
数学开窍的第一步，是规则的开窍        https://mp.weixin.qq.com/s/FDIOBPZA7RMqwXeIMVdyQQ
哈罗学校讲座逐字稿：怎样培养孩子的数学思维？        https://mp.weixin.qq.com/s/k_Dbkcf2fd15ItnlURiJtQ

接下来就是对工作流做修改

\1. 参数提取器

首先是**「参数提取器」，把提取参数改成数组类型****Array**

同时修改**「指令」要求AI输出的是数组**

测试一下节点能正常输出：

\2. 新建「迭代」节点

把原先的流程，一模一样的在迭代里重新新建（吐槽：怎么不能直接复制进去呢？麻烦）

要点：注意迭代输入的一定是Array的数组类型，这样才能逐个遍历去跑。

\3. 运行测试

我们一次性把多篇地址扔进去，就可以看到「迭代」里面已经在跑了：

没毛病。

黄金：自动爬虫

除了手动去加之外，还有没有更极致的方法呢？

我想是有的，两个思路：

1个是借助AI「深度搜索」的能力，把相关内容，先搜索一遍，再整理到知识库中，这样就能快速新建多个主题的知识库内容。

（计划下一篇做用Dify做深度搜索工作流的内容，感兴趣的同学可以三连支持！！）

另一个是借助Agent 的能力，给一个网站AI之后，让它判断这个网站有什么跟主题相关的内容，然后把内容抓下来存进数据库。

后者就有点像是Browser-use的能力，可以自主浏览网站，这样是不是连小红书也能爬进去知识库了？

今天的内容就是给后面这两种方式打底的：这个工作流可以打包成工具供给它们调用。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。