一、Dify
自从 ChatGPT 横空出世之后，其极高的语言理解和交互能力不仅让人惊呼，ChatGPT不仅能够处理事实性问题，还能理解和生成情感色彩更浓厚的对话内容，能够识别用户的情感倾向，并据此作出相应的回应。这么好的东西怎么能运用到具体私有领域来呢？
例如在学校的场景下，我们需要打造一个学习需求问答系统，问一周的课程，可以回答出：周一需要上 JAVA 课，周二上 Python 课，周三上其他课等，对于类似这种私有化的知识库，如果不对 ChatGPT 微调的话很难精准回答出来。
现在 dify 就可以帮助我们低成本的实现上述的功能 ，使其可以精准回答专业领域的知识。
下面我们借助 dify 简单实现下上述的场景，由于我们是基本 ChatGPT 作为 LLM 支撑，所以你需要有一个 OpenAI 的 API Key。
二、Dify 服务部署
这里也可以使用官方的服务进行操作，就无需进行本地安装了，使用下面地址：
如果需要本地部署，则进行下下面操作：
这里使用 Docker 部署，安装前确定已经部署好 Docker、Docker-compose。
将项目 clone 下来：
git clone https://github.com/langgenius/dify.git
进入 dify 源代码的 docker 目录，使用 docker 启动：
cd dify/docker
docker-compose up -d
下载好镜像启动后，可以看到相关服务：
如果有防火墙需要放行 80、5432 端口。
下面在浏览器访问 http://部署服务ip ，即可进入到 dify ，刚开始需要设置邮箱、用户名密码信息：
设置完成并登录后即可来到主页面：
三、构建私有化知识库问答应用
3.1 构建本地知识库
现在我们定义下课程信息，将内容放入一个 txt 文本中：
周一课程：上午：JAVA，下午：Python。
周二课程：上午：机器学习，下午：机器视觉。
周三课程：上午：NLP，下午：HTML。
周四课程：上午：微服务，下午：大数据。
周五课程：上午：android，下午：历史文化。
下面点到数据集下，点击创建数据集：
下面将上面的 txt 文本拖入或选中进来：
下面进行文本的分段与清洗，由于内容不多，可以分到一个段中：
下面点击保存就成功创建了一个知识库：
3.2 构建问答应用
下面构建一个问答的应用：
由于是使用 ChatGPT 下面先给它指定一个 API key：
对于 ChatGPT 的版本，这里以 gpt-3.5-turbo 为例：
下面在 提示词编排 中使用上面的知识库：
此时可以在右侧进行调试：
可以看到已经有了我们想要的效果，最后感觉不错的话，一定要点下右上角的发布，下面我们通过 API 的方式去使用它，在访问API 中可以看到API接口地址，并给出了访问示例：
访问前需要生成 API 秘钥，可以点击 API 秘钥 生成：
下面我们就可以使用 PostMan 进行访问了。
3.3 效果测试
这里使用自带的预览：
下面就可以进行一些针对性的问答了：
本文链接：https://my.lmcjl.com/post/10144.html
4 评论