在企业落地 AI 应用的过程中，让大模型"读懂"自己的私有文档是绕不开的一环，而 RAG（检索增强生成）正是解决这一问题的主流方案。本文以 Dify 1.17.1 为例，手把手演示如何基于 PDF 文档搭建一套可用的知识库：从创建知识库、上传文档，到配置分块（Chunk Settings）、索引方式（Index Method）与检索策略（Retrieval Setting），再到将知识库接入 Chatbot 应用并发布验证，完整走通"建库 → 应用 → 验证"三大步骤。无论你是想快速构建企业内部 FAQ 问答，还是为技术文档搭建智能检索助手，本文都能为你提供一条清晰的实践路径。
在使用 Dify 搭建知识库时，文档的向量化（Embedding）质量直接决定了检索效果的上下限。对于有数据安全或内网部署要求的团队，将 Embedding 模型私有化部署成为刚需。本文以 Dify 1.17.1 搭配 Ollama 部署的 bge-m3 模型（带 Bearer Token 鉴权）为例，介绍如何通过安装 OpenAI-API-compatible 插件，在 Dify 中接入私有化的 Text Embedding 模型：从插件安装、模型参数配置，到设置为默认向量化模型，一步步完成私有 Embedding 能力与 Dify 的对接，帮助你构建完全自主可控的 RAG 基础设施。
Dify 是一款开源的大语言模型（LLM）应用开发平台，支持通过插件机制灵活接入各类模型供应商。自 Dify 1.x 版本起，模型供应商逐步由内置方式迁移为插件化架构，用户需要通过搜索并安装对应供应商的插件，才能在应用中使用其模型能力。 智谱 AI（Zhipu AI）提供的 GLM 系列模型（如 GLM-4 等）是国内主流的大语言模型之一，具备强大的中文理解与生成能力。本文将以 Dify 1.17.1 版本为例，演示如何在 Dify 中完成智谱 AI 插件的安装与 API Key 配置，从而快速接入 GLM 模型，为后续搭建 AI 应用（如聊天助手、Agent、工作流等）奠定基础。
Responder Agent 是 Agentic AI 系列课程中的重要一环，专注于将工具执行结果转化为自然、友好的用户回答。作为整个智能 Agent 流程的输出端，它负责把复杂的工具调用结果包装成用户易于理解的语言，是提升用户体验的关键组件。
Agentic AI 系列课程已经走过了五个阶段，我们从基础的 ReAct 范式实现，到多 Agent 协同，再到模块化架构，逐步优化了 Router Agent 和 Executor Agent。今天，我们将聚焦于 Validator Agent 的优化，这是确保整个 Agent 系统准确性和可靠性的关键环节。
随着人工智能技术的快速发展，Agentic AI（代理式AI）已成为实现复杂任务自动化的重要工具。基于ReAct范式的智能Agent系统通过推理与行动的循环，能够自主完成参数提取、工具调用、错误修正等复杂任务。本文将深入探讨如何优化Executor Agent，实现高效的参数提取和工具调用功能，为构建更加智能、可靠的AI Agent系统提供参考。
在智能 Agent 系统中，Router Agent 负责分析用户意图并分发到相应的处理模块，是整个系统的重要入口。本文将介绍如何优化 Router Agent，实现基于大语言模型的智能路由功能，包括意图识别、缓存机制、性能监控和异步处理等核心能力。
在人工智能快速发展的今天，单一Agent已经难以满足复杂应用场景的需求。多Agent协同系统通过将不同职责分配给专门的Agent，实现了更高效、更可靠的智能服务。本文将详细介绍一个完整的多Agent协同架构，包括路由Agent、执行Agent、验证Agent和响应Agent的模块化设计与实现。
随着人工智能技术的快速发展，单一Agent已难以满足复杂任务的需求。多Agent协同系统通过分工合作，能够更高效地处理多样化任务。本文基于ReAct范式，深入探讨如何构建一个包含Router、Executor、Validator和Responder四个角色的多Agent协同系统，实现智能化的任务处理流程。
随着大语言模型（LLM）技术的飞速发展，让模型不仅能“说”更能“做”成为了 Agent 研究的核心方向。本篇博客将带你从零开始，基于 Python 3.11 和本地部署的 Ollama (Llama3.1:8b) 模型，实现一个具备实际工具调用能力的智能 Agent。
