Dify实现RAGFlow MCP知识库的问答

关注

原创最新推荐文章于 2026-09-20 14:38:27 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

RAG专栏：分块策略文档数据（Documents）经过解析后，通过分块技术将信息内容划分为适当大小的文档片段（chunks），从而使 RAG 系统能够高效处理和精准检索这些片段信息。分块的本质在于依据一定逻辑或语义原则，将较长文本拆解为更小的单元。分块策略有多种，各有侧重，选择适合特定场景的分块策略是提升 RAG 系统召回率的关键。阅读详情

Dify更多地侧重于对话式 AI 或类似的知识库应用，在某些问题的处理上做了简化，导致在复杂的问答场景中表现不如 RAGFlow。RAGFlow是基于 RAG（Retrieval-Augmented Generation，检索增强生成）架构，通过结合检索机制和生成模型，能在问答中更好地理解上下文并生成更加准确的答案。

ChatFlow工作流展示

工作流示例中用到了Dify插件MCP SSE / StreamableHTTP,实现对RAGFlow知识库的访问。

安装RAGFlow并获取api_key

2.创建RAGFlow知识库

上传文件并进行解析（RAGFlow的知识库需要手动解析），记录知识库ID和文档ID以备Dify调用时的参数。

修改配置

修改docker-compose的目的：

开启MCP的相关功能，修改MCP的运行模式并配置api_key。
解决端口冲突，默认情况下RAGFlow和Dify使用的端口有冲突。

重启Docker容器

安装并部署Dify

6.搭建工作流

6.1 开始节点

为开始节点添加Ragflow MCP的知识库参数和问题。

6.2 添加代码执行节点

代码执行节点主要完成输入参数和RagFlow MCP接收参数的兼容性适配，详情见评论区的yaml文件。

6.3 MCP工具节点

6.3.1安装调用MCP工具节点

6.3.2 配置调用 MCP工具节点

url和api_key均取自于前面RAGFlow的配置。

6.3.3 添加调用MCP工具节点

url和api_key的Json串也可以填在此处，此处的优先级更高，工具名称为ragflow_retrieval。

6.4 添加大模型节点

6.5 添加结束节点

测试ChatFlow流程

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括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免费分享出来。

在这里插入图片描述