DeepSeek+Dify之五工作流引用API案例

DeepSeek+Dify之四Agent引用知识库案例

文章目录

- 背景
- 整体流程
- 测试数据
- 用到的节点
- - 开始
  - HTTP请求
  - LLM
  - 参数提取器
  - 代码执行
  - 结束
- 实现步骤
- - 1、新建工作流
  - 2、开始节点
  - 3、Http请求节点
  - 4、LLM节点（大模型检索）
  - 5、参数提取器节点（提取大模型检索后数据）
  - 6、代码执行节点（数据json化）
  - 7、结束节点
- 测试
- 发布
- 导出

背景

可通过API，针对用户输入的请求数据，借助工作流以及 Deepseek 大模型的检索与重排序功能，提升召回数据的质量。

整体流程

测试数据

在这里插入图片描述

用到的节点

开始

功能：定义一个 workflow 流程启动的初始参数
在这里插入图片描述

HTTP请求

功能：允许通过 HTTP 协议发送服务器请求
在这里插入图片描述

LLM

功能：通过上传的excel格式的文档，通过deepseek大模型的检索和重排序，提升召回文档数据的质量
在这里插入图片描述

参数提取器

功能：利用 LLM 从自然语言内推理提取出结构化参数，用于后置的工具调用或 HTTP 请求。
在这里插入图片描述

代码执行

功能：执行一段 Python 或 NodeJS 代码实现自定义逻辑
在这里插入图片描述

结束

功能：定义一个 workflow 流程的结束和结果类型
在这里插入图片描述

实现步骤

1、新建工作流

在这里插入图片描述

下面就是从开始节点开始添加节点了

2、开始节点

添加一个变量，用于接收用户输入的请求
在这里插入图片描述

3、Http请求节点

API请求示例，看自己的API
在这里插入图片描述
浏览器中按F12快捷键，找到下面的位置，找到请求数据的记录，复制cURL，我这是内网的地址

拷贝cURL到http请求节点参数中
在这里插入图片描述
点击保存，很多参数自动填充了

修改address变量为开始节点的输入参数，参数都是api的，根据自己的需求修改

4、LLM节点（大模型检索）

下面设置参数
（1）大模型如果已经设置系统默认模型，可以不用修改模型了
（2）上下文就是上一节点的Http请求结果
（3）system提示词根据需求来，目前的需求是对用户输入的请求数据，通过deepseek大模型的检索和重排序，提升Http召回数据的质量，核心是说清楚需求，以及输出格式
在这里插入图片描述

在这里插入图片描述

完整的提示词

你是一个强大的地址匹配助手。你的任务是接收一个非标地址（字符串类型），存储在变量 {{#1743564833545.input#}}中，以及一个来自 API 返回的 JSON 对象（对象类型，包含一个名为 body的数组），存储在变量 {{#context#}} 中，结构如下：
{"body": [{"mc": "大嶝","address": "福建省厦门市翔安区大嶝街道田墘社区田墘北里22号","queryIdentifying": "模糊匹配2"},// 可能存在多个类似对象]
}
### 任务详细描述
1. 在 {{#context#}} 的 `body` 列表中的每个 JSON 对象里查找 `address` 或 `mc` 字段。这些字段可能包含与非标地址相关的信息。
2. **匹配逻辑**：判断每个 JSON 对象中的 `address` 或 `mc` 字段与输入的 {{#1743564833545.input#}} 的匹配程度。匹配程度的判断可以基于地址的相似性、包含关系等。例如，如果非标地址是“朝阳区朝阳公园”，而某个 JSON 对象的 `address` 字段是“北京市朝阳区朝阳公园路”，则认为这是一个较高的匹配度。
3. **置信度计算**：计算匹配的置信度值，范围为0到1。0表示完全不匹配，1表示完全匹配。置信度的计算可以基于地址字符串的相似度（例如，如果两个字符串完全相同，则置信度为1；如果只有部分相同，则根据相同部分的比例计算置信度）。
4. 找出与输入的非标地址最匹配的 JSON 对象。如果有多个 JSON 对象的匹配度相同且最高，则选择第一个出现的对象。
5. **输出格式**：- `nonaddress`: {{#1743564833545.input#}}- `address`: 匹配到的 JSON 对象中的 `address` 字段值（如果存在）- `mc`: 匹配到的 JSON 对象中的 `mc` 字段值（如果存在）- `confidence`: 匹配的置信度值，范围为0到1，保留两位小数。- `queryIdentifying`: "大模型匹配"### 示例
#### 输入
```json
{"nonaddress": "北京市朝阳区朝阳公园","context": {"body": [{"address": "北京市海淀区中关村","mc": "中关村科技园区","queryIdentifying": "模糊匹配2"},{"address": "北京市朝阳区朝阳公园路","mc": "朝阳公园","queryIdentifying": "模糊匹配2"}]}
}
#### 输出
```json
{"nonaddress": "北京市朝阳区朝阳公园","address": "北京市朝阳区朝阳公园路","mc": "朝阳公园","confidence": 0.90,"queryIdentifying": "大模型匹配"
}## 限制  
- 不处理非地址文本（如“请打电话联系我”）  
- 地址要素不全时保留有效部分  
- 若文本无地址信息，返回`{"error": "未检测到有效地址"}`  
- 不要捏造数据，只能从{{#context#}}中找出匹配的数据

5、参数提取器节点（提取大模型检索后数据）

下面设置参数
（1）大模型如果已经设置系统默认模型，可以不用修改模型了
（2）上下文就是上一节点的大模型检索结果
（3）提取参数根据需求添加
（4）system提示词内容主要就是提取大模型的数据，因为它是string格式的，需要从string中提取需要的结构化数据

在这里插入图片描述

完整的提示词

提取{{#1744090176627.text#}}中```json\n{\n     \"nonaddress\": \"厦门市公安局\",\n     \"address\": \"福建省厦门市思明区中华街道霞溪社区新华路45-1号\",\n     \"mc\": \"厦门市公安局\",\n     \"confidence\": 1.0,\n     \"queryIdentifying\": \"大模型匹配\"\n}\n```格式内容，该 JSON 应包含以下字段信息
'''json
{- `nonaddress`: JSON 数据中‘nonaddress’字段的值- `address`: JSON 数据中‘address’字段的值- `mc`:  JSON 数据中‘mc’字段的值- `confidence`: JSON 数据中‘confidence’字段的值，是浮点类型- `queryIdentifying`: JSON 数据中‘queryIdentifying’字段的值
}

6、代码执行节点（数据json化）

主要是为了将上一步的几个字段统一输出
参数设置：
（1）输入变量
上一级的几个参数
（2）python3
根据需求修改脚本

def main(nonaddress: str, address: str, mc: str, confidence: str, queryIdentifying: str) -> dict:try:aa={}aa["nonaddress"] = nonaddressaa["address"] = addressaa["mc"] = mcaa["confidence"] = confidenceaa["queryIdentifying"] = queryIdentifyingreturn {"result": aa}except (KeyError, IndexError, json.JSONDecodeError):return {"result": None}

在这里插入图片描述