实战演练：Dify + RAGFlow 强强联合，打造企业级“合同智能审查官

超爱柠檬
0 阅读9分钟

导读：在AI落地的深水区，单一的“聊天机器人”已无法满足企业需求。面对复杂的法律合同、财务报表和技术手册，通用大模型往往因“读不懂表格”和“幻觉严重”而折戟。

本文将带你从零开始，通过Dify（最强工作流编排）与RAGFlow（最强深度文档解析）的黄金组合，构建一个能精准解读百页合同、自动识别风险条款的 “合同智能审查官” 。这不仅是一次技术实操，更是企业级AI应用的标准范式。

一、为什么选择“Dify + RAGFlow”这对黄金搭档？

在之前的选型分析中，我们提到：

  • Dify 胜在 “脑”与“手” ：拥有强大的可视化工作流编排（Workflow）、多模型路由、逻辑判断及API发布能力，但原生知识库对复杂PDF（含表格、多栏排版）的解析精度有限。
  • RAGFlow 胜在 “眼”与“库” ：独有的DeepDoc引擎能完美还原文档布局（Layout Analysis），精准提取表格、公式和跨页内容，检索召回率极高，但缺乏复杂业务逻辑编排能力。

🎯 实战目标： 利用 RAGFlow 作为“高精度知识底座”，处理复杂的《供应商采购合同.pdf》；利用 Dify 作为“智能调度中枢”，编排“意图识别→风险检索→条款比对→报告生成”的完整工作流。

二、环境准备与部署（5分钟快速起步）

1. 部署 RAGFlow (知识底座)

推荐配置：8核CPU / 32G内存 / 50G SSD（因涉及OCR和深度学习模型）

# 克隆仓库
git clone https://github.com/infiniflow/ragflow.git
cd ragflow/docker
​
# 启动服务 (首次运行需下载镜像，约10-15分钟)
docker compose up -d
​
# 访问后台：http://<你的IP>:9380
# 默认账号：admin / admin

💡 关键点：RAGFlow内置了Elasticsearch和Infinity向量库，无需额外配置。启动后，请在系统设置中配置好你的大模型API Key（推荐使用DeepSeek-V3或Qwen2.5，性价比高且中文能力强）。

2. 部署 Dify (编排中枢)

推荐配置：4核CPU / 8G内存

# 克隆仓库
git clone https://github.com/langgenius/dify.git
cd dify/docker
​
# 复制环境变量并启动
cp .env.example .env
docker compose up -d
​
# 访问后台：http://<你的IP>:3000
# 初始化管理员账号

三、第一步：在 RAGFlow 中构建“高精尖”知识库

传统RAG会将PDF切成碎块，导致表格错乱。我们要利用RAGFlow的DeepDoc特性保留结构。

1. 创建知识库

  1. 登录 RAGFlow 后台，点击 “知识库” (Knowledge Base) -> “创建” 。

  2. 命名：Legal_Contract_HighPrec。

  3. 核心步骤：在解析方法（Parser Method）中，务必选择 Layout 或 Manual 模式（不要选Naive）。

    • 原理：Layout 模式会调用视觉模型识别文档的标题、段落、表格和图片区域，按语义块而非字符数切分。

2. 上传并解析复杂文档

  1. 上传一份真实的《供应商采购合同.pdf》（建议包含：价格阶梯表、违约责任矩阵、多栏排版）。

  2. 点击 “解析” (Parse) 。

  3. 见证奇迹：解析完成后，点击预览。你会发现：

    • ✅ 表格完整：原本跨页的价格表被完整保留为一个单元，没有断裂。
    • ✅ 结构清晰：条款编号（如 5.2.1）与内容紧密绑定。
    • ✅ 溯源精准：每个切片都标记了原始页码和坐标。

3. 获取 API 密钥

  1. 进入 “设置” (Settings) -> “API Keys” 。
  2. 创建一个新的 Key，命名为 dify_integration_key。
  3. 记下 API Key 和 Knowledge Base ID，稍后在 Dify 中使用。

四、第二步：在 Dify 中编排“智能审查”工作流

我们将创建一个 Chatflow (对话工作流) ，实现以下逻辑：

  1. 用户提问：“合同中关于逾期付款的违约金比例是多少？是否有上限？”
  2. 意图识别：判断是否为合同查询类问题。
  3. 外部检索：调用 RAGFlow API 进行高精度检索。
  4. 逻辑增强：若检索结果置信度低，触发“二次追问”或“人工介入”。
  5. 报告生成：输出带引用来源的结构化回答。

1. 创建应用

  1. 登录 Dify，点击 “创建应用” -> 选择 “聊天助手 (Chatflow)” 。
  2. 命名：Contract_Auditor_Agent。

2. 编排工作流节点 (拖拽式操作)

🟢 节点 A：开始 (Start)

  • 输入变量：query (用户问题), contract_id (可选，用于区分不同合同)。

🔵 节点 B：HTTP 请求 (调用 RAGFlow)

这是核心步骤，让 Dify 借用 RAGFlow 的“眼睛”。

  • 添加节点：选择 “HTTP 请求” 。

  • 配置请求：

    • Method: POST

    • URL: http://<RAGFlow_IP>:9380/api/v1/retrieval (参考RAGFlow文档最新接口)

    • Headers:

      {
  "Authorization": "Bearer <你的RAGFlow_API_Key>",
  "Content-Type": "application/json"
}

    • Body (JSON) :

      {
  "knowledge_base_id": "<你的KB_ID>",
  "query": "{{start.query}}",
  "top_k": 3,
  "score_threshold": 0.6
}

  • 输出变量：将响应结果保存为 rag_result。通常包含 chunks (文本块), score (相似度), source (页码)。

🟣 节点 C：代码执行 (Python) - 数据清洗与格式化

RAGFlow返回的是JSON列表，需要整理成LLM易读的上下文。

  • 添加节点：选择 “代码执行” (语言: Python3)。

  • 输入变量: retrieval_data (来自节点B的输出)。

  • 代码逻辑:

    def main(retrieval_data):
    chunks = retrieval_data.get('data', {}).get('chunks', [])
    context_list = []
    sources = []
    
    for item in chunks:
        text = item.get('content', '')
        page = item.get('position', {}).get('page_number', '?')
        score = item.get('similarity_score', 0)
        
        if score > 0.5: # 过滤低质量片段
            context_list.append(f"[来源: 第{page}页, 相似度:{score:.2f}]\n{text}")
            sources.append(f"第{page}页")
    
    final_context = "\n\n---\n\n".join(context_list)
    source_summary = "，".join(list(set(sources)))
    
    return {
        "context": final_context,
        "sources": source_summary,
        "has_result": len(context_list) > 0
    }

  • 输出: context, sources, has_result.

🟠 节点 D：条件分支 (If/Else)

  • 条件: 如果 节点C.has_result 为 False。

    • 路径1 (无结果) : 连接到 LLM 节点 (回复未知) -> “抱歉，未在合同中找到相关条款，建议您上传更清晰的版本或联系法务专员。”
    • 路径2 (有结果) : 连接到 LLM 节点 (专业回答) 。

🤖 节点 E：LLM (大模型生成)

  • 模型选择: DeepSeek-V3 或 Qwen2.5-72B (长文本能力强)。

  • System Prompt (关键) :

    你是一名资深法务合同审查专家。请根据提供的【上下文信息】回答用户问题。
​
【要求】：
1. 必须严格基于【上下文信息】回答，严禁编造。如果上下文中没有答案，直接说不知道。
2. 回答中必须标注引用来源，格式为：(参见合同第X页)。
3. 对于金额、比例、日期等关键数据，请用**加粗**显示。
4. 语气专业、严谨、客观。
​
【上下文信息】：
{{节点C.context}}
​
【用户问题】：
{{start.query}}

  • 输出: 最终的回答文本。

🟢 节点 F：结束 (End)

  • 输出变量：answer (来自节点E), reference_pages (来自节点C)。

五、实战测试：见证“深度理解”的力量

场景模拟

用户上传：一份包含复杂“阶梯定价表”和“不可抗力免责条款”的PDF合同。 用户提问：

“如果因台风导致交货延迟，供应商需要支付违约金吗？另外，采购量超过1万件时的单价是多少？”

❌ 传统 RAG (仅用 Dify 原生知识库) 的表现：

  • 结果：可能会混淆不同区间的价格，或者因为表格被切分而回答“未找到具体单价”。对于台风条款，可能只匹配到“不可抗力”四个字，忽略了具体的免责细则。
  • 幻觉风险：高。模型可能根据训练数据瞎编一个“5%”的违约金。

✅ Dify + RAGFlow 组合的表现：

  1. 检索阶段：RAGFlow 精准定位到“不可抗力”章节的完整段落（包含台风示例），并完整提取了“阶梯定价表”中 >10000 的那一行数据。

  2. 生成阶段：Dify 的工作流将结构化数据喂给 LLM。

  3. 最终回答：

    “根据合同第 8.2 条规定，若因台风等自然灾害（属于不可抗力范畴）导致交货延迟，供应商无需支付违约金，但需在 24 小时内提供气象证明。(参见合同第 12 页)

    关于单价，根据价格附表，当采购量超过 1 万件时，执行阶梯优惠单价：¥45.50/件。(参见合同第 5 页表格)”

💡 效果分析：

  • 准确率：100% 基于文档，无幻觉。
  • 可解释性：每一句话都有明确的页码溯源。
  • 表格处理：完美解决了传统RAG搞不定表格的痛点。

六、进阶优化：让智能体更“聪明”

为了让这个系统真正落地生产，我们可以继续扩展工作流：

  1. 增加“风险预警”节点：

    • 在 LLM 生成回答前，增加一个代码节点，正则匹配检索内容中的“无限责任”、“单方解除权”等高危词汇。若命中，直接在回答头部插入🔴 高风险提示。

  2. 多轮对话记忆：

    • 开启 Dify 的“会话记忆”功能，让用户可以追问：“那如果是暴雨呢？”系统能结合上一轮的“不可抗力”定义进行推理。

  3. 对接企业微信/钉钉：

    • 利用 Dify 自带的“发布”功能，一键生成 API 或 Web SDK，嵌入到企业的 OA 系统中。法务人员只需在钉钉群里 @机器人 即可查合同。

  4. 人机协作 (Human-in-the-loop) ：

    • 在 Dify 工作流中增加“人工审核”节点。当置信度低于 0.7 时，暂停流程，发送通知给法务专员，待人工确认后再回复用户。

七、总结与展望

通过本次 Dify + RAGFlow 的实战，我们成功构建了一个超越普通聊天机器人的企业级智能体。

  • 技术价值：证明了“专业工具做专业事”的架构优势。RAGFlow 解决了“读得准”的问题，Dify 解决了“用得活”的问题。

  • 业务价值：将合同审查时间从小时级缩短至秒级，且大幅降低了因人为疏忽导致的法律风险。

  • 未来演进：

    • 多Agent协作：未来可引入第二个 Agent 扮演“乙方律师”，与“甲方审查官”进行对抗性辩论，找出合同漏洞。
    • 全自动签署：结合 n8n，审查通过后自动调用电子签章 API 完成签约。

🚀 行动建议： 不要等待完美的 AI，现在就开始动手。

  1. 下载 Docker 部署 RAGFlow 和 Dify。
  2. 找一份你们公司最复杂的 PDF 文档。
  3. 按照本文步骤，花 1 小时搭建你的第一个“深度知识智能体”。

在 AI 2.0 时代， “工作流编排 + 深度检索” 将是每个企业的标配。谁先掌握这套组合拳，谁就能在智能化转型的浪潮中抢占先机！

欢迎关注的我的公众号《码上未来》，一起交流AI前沿技术!

码上未来.jpg

扫码二维码加我微信进群聊AI

image.png

avatar
文章
阅读
粉丝