用 Dify 搭建自动化研报分析流：如何解决长文本解析后的信息丢失问题

直接把 50 页的 PDF 扔给 LLM 总结，最后出来的结果往往像个空洞的摘要，关键数据全丢了。这其实是 RAG（检索增强生成）最经典的坑：切片太碎导致上下文断层，或者 Top-K 检索回来的片段根本没覆盖到核心论点。

我在 Dify 里折腾了一套“分级摘要+递归聚合”的 Workflow，专门对付这种长研报分析。核心逻辑是放弃一次性全量检索，改用分段处理后再汇总。

具体实现链路：

1. 预处理阶段（解决切片丢失）
不要用默认的自动切片。在知识库导入时，手动将分段标识符设为 \n\n 或特定的章节标志，确保一个完整段落不会被从中间劈开。

2. 构建分段循环处理流
在 Workflow 中，先用一个 Iteration 节点遍历文档的所有分段。每个分段进入一个 LLM 节点，通过这个 Prompt 提取结构化信息：

你是一个资深分析师。请从以下文本片段中提取：
1. 核心观点（必须包含具体数据）
2. 提及的公司/产品
3. 潜在风险点
如果片段中不包含上述信息，请直接输出「无关键信息」。
文本内容：{{item}}

3. 递归聚合（解决信息碎片化）
这是最关键的一步。迭代完所有片段后，你会得到一个巨大的文本列表。直接喂给 LLM 依然会触发 Token 限制或导致信息丢失。我增加了一个“中间汇总层”：
将提取出的结构化信息每 5 组分为一组，先进行一次初步合并，剔除重复项，保留冲突点。最后再由一个高性能模型（推荐 Claude 3.5 Sonnet）对汇总后的结果进行最终研报撰写。

配置技巧与避坑指南：

- 禁用 RAG 检索，改用全量遍历：
分析研报不能靠“抽样”检索。在 Dify 中，如果文件在 100K Token 以内，直接用 Document 变量传递全文本，而不是走 Knowledge Retrieval 节点，这样能保证 100% 的覆盖率。

- 解决“幻觉”合并：
在最后的聚合节点，必须强制要求模型标注来源。Prompt 增加一句：所有结论必须引用原片段中的具体数值，禁止概括性描述。

效率提升对比：
以前用简单的“上传-提问”模式，漏掉关键财务数据的概率在 30% 左右；改用这套分级处理流后，关键指标的召回率基本能达到 95% 以上，且输出的逻辑链条更完整。

核心 Workflow 配置逻辑：
开始 → 文档解析 → Iteration(分段提取) → 文本拼接 → 分批次汇总 → 最终分析报告