NocoBase 工作流 AI 知识库「检索文档」节点实战：让 AI 员工基于知识库片段处理任务

NocoBase 工作流 AI 知识库「检索文档」节点实战让 AI 员工基于知识库片段处理任务【免费下载链接】nocobaseNocoBase is an open-source AI no-code platform for building business systems fast. Instead of generating everything from scratch, AI works on top of production-proven infrastructure and a WYSIWYG no-code interface, so you get both speed and reliability.项目地址: https://gitcode.com/GitHub_Trending/no/nocobase导读本文以 NocoBase 开源项目nocobase/plugin-ai-knowledge-base插件体系中的工作流「检索文档」节点为主线讲解如何在工作流中从 AI 知识库检索文档片段并将其作为上下文交给下游「AI 员工」节点处理任务。读完本文你将掌握检索文档节点的异步特性、完整配置链路Collection event 触发器 → Retrieve document → AI employee、Top K 与 Score 阈值的作用以及如何把检索结果以变量方式安全地写入提示词。检索文档节点是什么在 NocoBase 的 AI 员工AI Employees体系里知识库是 RAG 检索的基础产品手册、内部制度、FAQ 等文档进入知识库后会被转成可检索的分段与向量数据AI 员工回答问题时先从知识库召回相关内容再把这些内容作为上下文交给大模型见 知识库概述。「检索文档」Retrieve document节点是这个 RAG 链路在工作流中的落点它用于在工作流里搜索 AI 知识库并返回匹配的文档片段。它通常被放置在 AI 员工节点之前典型用法是先用任务输入检索知识库再把检索结果传给 AI 员工作为任务处理的上下文。该节点具备两个关键特性异步节点检索涉及向量化数据查询节点执行需要异步等待创建工作流时应选择异步执行模式与 创建文档节点 一致。依赖前置条件使用前需要先配置好知识库并确保知识库里已有向量化完成的文档即「Documents」列表中的「Status」为Success。典型工作流结构检索文档节点最常见的落地形态是一条监听数据 → 检索知识库 → AI 员工处理的三段式工作流「Collection event」负责接收任务输入。监听业务表如Questions表的新增记录把检索文本送入工作流。「Retrieve document」负责从知识库检索片段输出文档片段数组。「AI employee」负责基于检索片段处理任务输出结构化结果。示例工作流监听Questions表的新增记录把检索文本传给「Retrieve document」节点再把检索结果交给下游「AI employee」节点处理任务。在实际业务里AI 员工生成的处理结果通常还需要保存起来因此后面往往还会接数据库操作节点示例为了聚焦检索节点省略了保存结果的后续节点。这一分工与 NocoBase 工作流 AI 知识库节点的整体设计一致——概述 中的 QA 场景使用Answers表作为知识库文档来源、Questions表通过Answers.questions关系字段挂载常见问法而本文示例则直接以Questions表的新增记录作为检索输入来源。开始之前下面的示例是一条独立的检索流程。开始配置前请先确认知识库已就绪知识库中已有向量化完成的文档。文档维护方式见 知识库概述 与 创建文档后者展示了如何用「Create document」节点把Answers表数据同步进知识库形成答案正文 关联问法的文档。检索文本来源表已准备需要一个用于输入检索文本的数据来源示例中使用Questions表。下游 AI 员工节点可用已准备好可用的 AI 员工节点配置方式见 AI 员工节点。提示知识库需要 Local 类型才能被工作流节点维护文档创建、更新、删除、检索Readonly / External 知识库的文档与向量数据由外部系统维护不受工作流节点管理详见 知识库概述 中的三种知识库能力边界。配置触发器Collection event新建异步工作流后触发器选择「Collection event」。在触发器配置中「Collection」选择检索文本来源表比如Main / Questions。「Trigger on」选择After record added。这样每新增一条输入记录工作流就会自动进入检索 任务处理流程。补充如果后续希望在检索结果之外还能把触发器记录中的字段直接用于提示词可留意触发器变量{{$context.data.字段名}}的用法——下面的提示词示例中{{$context.data.f_b2izf5j4xx0}}正是从触发器新增记录中取出的任务输入字段。配置检索文档节点在触发器后添加「Retrieve document」节点。建议把节点 key 改成容易引用的名称比如retrieve_docs这样下游在变量表达式中引用它时语义清晰。关键配置如下配置项说明「Knowledge base」选择一个或多个要检索的知识库。检索范围是节点选择与当前用户角色知识库权限的交集未授权的知识库会被自动排除详见 RAG 检索。「Input matching text」选择检索文本字段即把哪个字段的值作为查询向量。示例中通常是触发器记录里的问题字段。「Top K」设置最多返回的片段数量即相似度排序后取前 K 条结果。「Score」设置最低相似度阈值低于该值的片段会被过滤掉。数值越高进入结果的内容越相关返回数量也可能越少。这两个检索参数与 AI 员工 RAG 设置中的同名参数保持一致在 AI 员工的「Knowledge Base」配置中Top K 可设置为 1–100、默认为 3Score 可设置为 0–1、默认为 0.6见 RAG 检索。工作流检索节点中的取值同样遵循相似度过滤 数量截断的语义。节点返回结构节点执行后会返回一个文档片段数组。每个结果包含以下字段并按score从高到低排序字段含义id片段在知识库中的标识content片段正文即分段管理中的「Content」score与检索文本的相似度得分metadata片段的元数据便于 AI 判断片段来源和相关度把检索结果传递给 AI 员工节点在「AI employee」节点中把检索结果写入提示词。示例里直接引用了检索节点的输出Task input: {{$context.data.f_b2izf5j4xx0}} Knowledge base snippets: {{$jobsMapByNodeKey.retrieve_docs}} Use the snippets as context to complete the task. If the snippets are not enough, explain what information is missing.其中{{$context.data.f_b2izf5j4xx0}}取自触发器新增记录的任务输入字段变量名以实际字段为准。{{$jobsMapByNodeKey.retrieve_docs}}按节点 key 引用检索节点的输出。retrieve_docs是检索节点的 key如果你的节点 key 不同需要替换成实际 key。通过这种写法AI 员工拿到的是一份结构化片段数据可直接作为任务上下文。技巧如果只想传递片段正文可以在变量选择器中引用检索结果里的content字段直接传整个结果数组则会同时带上score和metadata便于 AI 判断片段来源和相关度。提示词末尾还给出了一个值得借鉴的兜底约束——如果片段不够请说明缺少哪些信息这能避免 AI 在上下文不足时强行编造答案。与 AI 员工 RAG 的关系检索文档节点与 AI 员工的 RAG 能力是同一套知识库体系的两条使用路径AI 员工内置 RAG在 AI 员工的「Knowledge Base」配置中打开「Enable」设置 Retrieval strategy、Knowledge Base Prompt{knowledgeBaseData}为固定占位符、Top K、ScoreAI 员工会在对话/任务执行时自动检索见 RAG 检索。工作流检索文档节点把检索这一步显式放进工作流检索时机、检索文本、返回的片段数量与阈值完全由工作流编排控制检索结果还能先经过其他节点加工再交给 AI 员工。二者的交集在于权限无论走哪条路径最终参与检索的知识库都受AI 员工/节点选择的知识库与当前用户角色知识库权限共同约束。如果用户没有知识库访问权限AI 员工会先使用不依赖知识库的信息回答问题并在回答末尾提示本次回答没有使用知识库内容详见 RAG 检索。验证检索效果配置完成后可以按以下顺序验证整条检索链路在业务表中新增一条记录Questions表触发工作流。进入目标知识库的「Documents」确认文档「Status」为Success向量化完成详见 文档管理。进入「Hit tests」输入检索文本确认能命中预期的文档分段详见 命中测试。回到工作流执行历史检查「Retrieve document」节点的输出数组确认score排序、Top K截断与Score过滤是否符合预期。这条创建文档 → 检索文档 → AI 员工的链路配合 创建文档、更新文档、删除文档 三条同步工作流即可让知识库内容与业务表保持实时一致同时让 AI 员工在任务处理中稳定引用最新知识。【免费下载链接】nocobaseNocoBase is an open-source AI no-code platform for building business systems fast. Instead of generating everything from scratch, AI works on top of production-proven infrastructure and a WYSIWYG no-code interface, so you get both speed and reliability.项目地址: https://gitcode.com/GitHub_Trending/no/nocobase创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考