4000字长文：使用dify搭建SOP检索问答Agent

SOP检索问答Agent正在让企业知识管理这件事变得真正"智能"起来——员工问一句就能拿到准确答案，操作中的各种错误率也随之大幅下降。这背后，其实是把静态文档变成可交互的智能引擎。

为什么需要SOP检索问答Agent？

标准化作业程序（SOP）是企业规范操作流程的核心资产，但传统管理方式一直有三个老大难：

• 检索太慢：员工得自己翻文档库，找一条关键步骤往往要花好几分钟，还容易漏；
• 上手太难：新员工面对复杂的SOP一脸懵，培训成本居高不下；
• 更新滞后：SOP修订了，执行端看到的还是旧版本，操作偏差就这么来的。

而SOP检索问答Agent通过智能语义理解加即时知识检索，能带来这些改变：

• 精准秒级响应
  ：像"设备故障代码102如何处理？"这样的自然语言问题，自动匹配最新版SOP条款；

• 降低人为错误
  ：结构化输出操作步骤、安全规范以及关联案例，把疏漏风险压到最低；

• 动态知识同步
  ：对接企业知识库，Agent回答的内容永远和实时更新后的SOP版本保持一致。

说到底，这个Agent不只是效率工具，它把静态文档变成了可以问答的智能知识库，让操作合规性和团队协作效率都上了一个台阶。

：用户通过下拉框选取文档之后，可以点击"获取全部步骤"，也可以选择某个具体步骤进行问答。同时，Agent会根据本轮对话的上下文信息，主动推理用户的"下一步问题"。

实现的具体流程

前期用户需求收集（这一步非常重要）

大模型落地是为人服务的，一切工作都要从用户需求出发。所以首先要搞清楚：用户希望怎么交互？输出长什么样？底线要求是什么？

以我们构建的这个Agent为例，经过与用户沟通，确定了三点核心要求：

• 交互方便
  ：省略一切不必要的操作（通过问题预测减少用户的输入动作）；

• 回复准确
  ：避免因为错误指导而提高次品率（初期数据处理需要选对OCR工具）；

• 响应快速
  ：降低整体流程的耗时（不能盲目上超大参数模型）。

整体架构搭建

下面分三个部分来讲：

一、原始文件处理

以生产工艺SOP为例。所有文件都是PDF格式，每个步骤以表格形式展示，有跨页表格和单页表格两种，如图1、图2所示。

图1 (a)跨页表格 图1 (b)跨页表格-续 图2 单页完整表格

针对原始文件特点，我们把PDF的每页转为PNG图片，然后使用多模态模型进行文字提取。这部分参考了开源项目 gptpdf——思路很相似：先把PDF转成单张PNG，再借助多模态模型提取文字。

但我们的PDF存在跨页表格的情况，所以转图片时增加了判断：如果当前页表格不包含表头，就视为"续表"，与前一页合并，最终得到图3。

图3 拼接之后的图片

至此，原始PDF被处理成了图片和对应的步骤内容。每个机器的SOP存为一个Word文档，方便后续构建知识库。

同时，为了实现用户查询整体SOP步骤，我们用LLM抽取每个步骤，构建成一个txt文件，也上传到知识库中。

二、知识库的构建

：Dify知识库提供了两种分块方法。通用方法按标识符分块，限制字符长度，为保证语义连贯，每个chunk设置重叠字符数；父子分块的设置参考图4。

图4 分块设置

：因为SOP检索问答对语义检索的需求并不强，所以使用bge-reranker-large和bge-large-v1.5-zh就能满足需求，如图5。

图5 Embedding的选择

检索设置上用了图6的配置。由于聚焦到具体SOP文档，且每个步骤各不相同，召回的top_k不宜过多，以免干扰后续生成。检索权重设为语义0.7、关键字0.3，召回阈值0.6。当然，迁移到不同项目时，权重和阈值还是需要一番调试才能找到最佳值。

图6 检索设置

：为了精确锁定具体SOP文件，在知识库中设置了一个元数据model_name，如图7；同时在知识库的每个文件中给元数据赋值，如图8。

图7 新建元数据 图8 元数据赋值

三、Workflow的搭建

整体workflow思路参照RAG流程，包括：

、、。

：在开始节点增加了一个下拉框选项（如图9），包含全部SOP文件名称，目的是提高后续知识库检索的精准度。

图9 开始节点文件名参数设置

当前存在两种问答方式——全部流程步骤输出和单步骤输出，所以需要用if-else节点做判断，如图10。

图10 判断节点

从图中可以看到，dialogue_count作为判断条件：当dialogue_count==0（即第一轮问答）时，先检索该SOP的全部流程并存储到会话变量sop_total中。这用于将用户问题和SOP步骤匹配，并给出下一步骤。从演示视频中看到，回答具体步骤时会同时给出当前步骤名称和下一步骤。

图11 会话变量

后续将用户的问题和SOP文件名拼接起来，作为知识库检索的输入。

：把拼接后的问题作为query传给知识库节点，同时设置元数据过滤条件，实现精确检索。

图12 知识库节点

：将检索到的内容和用户问题作为prompt输入到大模型中。注意，我们在prompt中要求模型只输出图片，不输出文字——这也回答了前面留的思考题：不需要把完整的步骤文字上传到知识库，因为输出的图片本身就包含了完整步骤，只输出图片还能省去用户阅读文字的时间。

使用的模型是qwen3-30B-A3B。大模型主要做检索内容的整理输出，不需要太强的能力，所以30B是最具性价比的选择。

图13 LLM节点