如何利用 Dify 结合本地知识库搭建一套自动化研报分析工作流

要把 Dify 玩转，核心不在于它那个可视化画布，而在于你如何给 LLM 喂数据以及怎么设计 RAG（检索增强生成）的链路。最近我用本地知识库跑了一套研报分析流，实测下来，Claude 3.5 Sonnet 和 DeepSeek-V2.5 在这里的表现差异非常明显。

我的链路是：PDF解析 → 知识库分段 → 混合检索 → 多步推理 → 结构化输出。

在模型选择上，我做了对比测试：

DeepSeek-V2.5：性价比之王，适合初步清洗
处理长文档的初筛非常快，能够快速从几万字的研报里把关键指标（如营收、毛利、市场份额）给抠出来。但缺点是面对极其复杂的逻辑推演（比如：根据 A 指标推导 B 公司的潜在风险）时，偶尔会出现幻觉，或者回答得过于泛泛。

Claude 3.5 Sonnet：逻辑怪，适合深度分析
这是目前分析研报的神。它对上下文的理解极其细腻，尤其是处理那些“话外之音”或矛盾点时。我给它一段关于行业竞争格局的描述，它能精准地分析出报告作者在刻意回避哪个竞争对手。实测在复杂逻辑推理环节，Claude 的准确率比 DeepSeek 高出约 20%。

GPT-4o：中规中矩，指令遵循最稳
如果你在 Dify 里设置了非常复杂的 JSON 输出格式要求，GPT-4o 是最不容易掉链子的。

具体的 Prompt 调优建议，我在“分析节点”用了这个结构，能有效避免模型胡编乱造：

# Role: 资深行业分析师
# Context: {{knowledge_retrieval_result}}
# Task: 基于提供的检索片段，对比分析 A 公司与 B 公司的核心竞争力。
# Constraint: 
1. 仅使用上下文内容，若文中未提及则直接回答“信息不足”。
2. 必须列出原句作为证据，格式为 [原文：xxx]。
3. 禁用“综上所述”、“总的来说”等废话。

几个避坑点：
分段策略：千万别用默认的自动分段，研报里有很多表格和页眉页脚，直接分段会导致检索碎片化。建议手动设置 500-800 字符，且重叠度设为 10%-15%，否则模型拿到的上下文是不完整的。
检索模式：一定要开“混合检索”（Hybrid Search），单纯的向量检索在搜具体公司名称或专业术语时经常跑偏，关键词检索能起到很好的补位作用。

这套流程跑通后，原本需要看 3 小时的研报，现在通过 Dify 的工作流，5 分钟就能出核心要点对比，而且结论有据可查。