Dify知识库检索API本身不提供自动补全功能，但您可以通过在调用API前，利用大语言模型（LLM）对查询进行预处理来实现。核心思路是：先让LLM将用户的模糊查询扩展成一个包含所有关键信息的完整问句，再用这个“补全后”的问句去调用检索API。
以下是两种具体的实现方案。
💡 方案一：在您的后端服务中实现
此方案通用性强，适用于任何调用Dify检索API的场景。
1. 调用LLM进行查询扩展
首先，使用一个LLM（可以是Dify平台上的另一个应用）作为“查询理解”服务。向其发送用户的原始输入，并指示它补全查询。
Prompt 示例：
你是一个查询理解助手。请将用户的自然语言问题改写成一个适合在知识库中检索的、完整且严谨的问句。
- 要求：补全问题中缺失的关键信息（如时间、地点、设备类型等），但不得改变用户原意。
- 输出：只返回改写后的问题，不要包含任何解释或多余文字。
用户输入：
“露天矿 粉尘浓度 标准”
LLM 输出示例：
“金属露天矿爆破作业粉尘浓度限值是多少？”
2. 使用扩展后的查询调用API
将LLM生成的、包含完整关键词的问句，作为 query参数传递给Dify知识库检索API。
请求体示例：
json
{
"knowledge_id": "your-knowledge-id",
"query": "金属露天矿爆破作业粉尘浓度限值是多少？",
"retrieval_setting": {
"top_k": 5,
"score_threshold": 0.5
}
}
3. 结合历史对话实现多轮补全
对于多轮对话，可以将历史对话作为上下文，让LLM更好地理解当前问题的意图，从而补全缺失的关键词。
Prompt 示例：
你是查询理解助手。结合以下对话历史和当前问题，将用户的提问改写成一个适合在知识库中检索的、完整且严谨的问句。
对话历史：
用户：我们矿是金属露天矿。
用户：最近在做爆破作业。
当前问题：
“粉尘浓度标准”
LLM 输出示例：
“金属露天矿爆破作业粉尘浓度限值是多少？”
⚙️ 方案二：在Dify工作流中实现（推荐）
如果您使用Dify Studio，可以直接在工作流中编排“查询扩展”和“知识检索”两个步骤，实现全自动处理。
1. 创建工作流
在工作流中依次添加以下节点：
- 开始节点：接收用户的原始问题
user_query。 - LLM节点 (查询扩展) ：调用一个LLM，使用方案一中的Prompt，将
user_query扩展为expanded_query。 - 知识库检索节点：使用上一步生成的
expanded_query作为查询语句，并设置好知识库、Top-K、Score Threshold等参数。 - 结束节点：输出检索到的文档或答案。
2. 配置知识库检索节点
在知识库检索节点的配置中，关键设置如下：
-
知识库：选择您要查询的目标知识库。
-
查询变量：选择上一步LLM节点输出的
expanded_query变量。 -
检索设置：
- 检索方式：建议选择 “混合检索” ，以兼顾语义和相关关键词。
- Top-K：设置为3-5，可根据测试结果调整。
- Score Threshold：从0.5开始测试，根据召回情况调整。
3. 效果优化技巧
- 启用Rerank：在知识库的高级设置中开启Rerank模型，可以让检索结果更精准。
- 优化Prompt：在LLM的Prompt中，可以加入“如果问题中缺少XX信息，请统一用‘XX’填充”等指令，强制模型补全特定类型的缺失信息。
🎯 核心要点
- API层面：Dify知识库检索API只负责根据您提供的
query进行检索，不负责改写或补全查询。 - 实现层面：真正的“自动补全”需要在调用API前，通过LLM或规则引擎对查询进行处理。
- 推荐方案：在Dify工作流中，使用“LLM节点（查询扩展）+ 知识库检索节点”的组合，是实现此功能最清晰、高效的方式。
