紧跟科技潮流【AI Agent】： AI知识库+天气API，你的天气预报小助手已上线！

头像

幕云社

2025-04-12 19:39发布于四川

开场白

Hello，大家好，AI时代，要么驾驭AI，要么被AI淘汰。

本文以开源Dify平台为基础，通过Dify平台构建AI Agent构建你的AI天气小助手。


安装大模型


安装Dify


本地部署：


Windows 系统安装Docker环境

在Windows环境下我们可以通过DockerDesktop 来安装。直接去官网下载对应的版本即可。


图片


我们需要拉取dify的GitHub的代码 https://github.com/langgenius/dify


图片

然后进入到Docker目录，执行这个代码

docker-compose up

安装Docker环境 MAC 和linux

bash <(curl -sSl https://cdn.jsdelivr.net/gh/SuperManito/LunuxMirrors@main/DockerInstallation.sh)

安装Docker Compose

curl -L "https://github.com/docker/compose/releases/latest/download/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose && chmod +x /usr/local/bin/docker-compose

执行查看Docker-compose版本

docker-compose --version

图片


说明安装成功了


docker-compse拉取镜像很慢，执行下面的代码

sudo tee /etc/docker/daemon.json <<-'EOF'{     "registry-mirrors": [         "https://do.nark.eu.org",         "https://dc.j8.work",         "https://docker.m.daocloud.io",         "https://dockerproxy.com",         "https://docker.mirrors.ustc.edu.cn",         "https://docker.nju.edu.cn"     ]}EOF
sudo systemctl daemon-reload    # 重新加载 systemd 的配置文件systemctl restart docker        # 重启docker

然后去GitHub上拉取dify的代码。解压后进入到docker目录中

docker-compose up -d

然后在地址栏中输入 http://localhost/install 就可以访问了

图片


我们先设置管理员的相关信息。设置后再登录


图片


Dify关联Ollama


Dify 是通过Docker部署的，而Ollama 是运行在本地电脑的，得让Dify能访问Ollama 的服务。


在Dify项目-docker-找到.env文件，在末尾加上下面的配置：


# 启用自定义模型CUSTOM_MODEL_ENABLED=true# 指定 Olama 的 API地址（根据部署环境调整IP）OLLAMA_API_BASE_URL=host.docker.internal:11434

然后在模型中配置


图片

在设置页面--Ollama--添加模型，如下：


图片


你也可以添加在线模型，去相应模型供应商网站田间key即可，我这里就添加了硅基流动的


图片



准备天气查询的接口


我们使用高德地图的天气查询接口，，访问如下地址：


https://lbs.amap.com/api/webservice/guide/api/weatherinfo


图片


创建天气查询的key


图片

下载城市编码知识库

https://lbs.amap.com/api/webservice/download


图片



构建Dify 工作流


工作流如下：

1、我们通过知识库+大模型将用户输入的城市名称替换为城市编码

2、我们使用大模型提取出来的城市编码通过http节点请求高德的天气接口获取天气信息

3、通过大模型总结分析天气信息，完成天气预报小助手搭建

图片


1、创建知识库

城市编码知识库录入，点击知识库——>新建知识库


图片


选择上述步骤下载的城市编码文件


图片


检索模式选择混合检索，其他保持默认，关于RAG的相关知识可以上网搜索补充


图片


当我们看到知识库状态为可用的时候说明知识已经录入完成


图片


进行召回测试


图片


我们看到得分排名在0.4以上答案相对准确，你就可以在检索设置这里调整Score值，保证只输出和问题相关的答案。


图片


2、创建工作流


点击工作室，创建空白应用


图片


选择工作流，给应用命名


图片



新增变量用于用户输入城市名称


图片


填写变量名称


图片


点击开始后面的+添加知识库检索节点


图片


配置知识库检索参数


图片


可以点击运行查看数据输入和输出结构


图片


进行追踪调试


图片


让大模型把城市编码提取出来，添加一个大模型节点


图片


选择需要执行操作的大模型，这里在系统提示词里面引入知识库，你只需 通过 / 即可把前面节点的输出内容引用进来


当前LLM 的系统提示词是：

请替换成你自己的变量，不要粗暴复制粘贴

你是一个城市地区的adcode值获取工具，请告诉我，我的问题中相关城市地区的adcode值。adcode值的来源是{{#context#}}

用户提示词是：

请替换成你自己的变量，不要粗暴复制粘贴

请你输出{{#1744454889149.cityname#}} 的adcode值


图片


我们在调试的过程中可以看到，大模型会有幻觉输出的值有时候不准确，接下来我们添加代码运行模块提取adcode值


图片


使用LLM 的输出作为代码执行模块的输入，arg1 引入llm 的输出，把arg2 删除


代码如下

import re
def main(arg1: str) -> dict:    # 匹配adcode值后的6位数字，考虑中间的非数字字符    match = re.search(r'adcode值\D*(\d{6})', arg1)    postal_code = match.group(1) if match else ''    return {        "result": postal_code    }


图片


代码处理的值可能有两种情况，有值和没有值，添加一个条件判断做判断


图片


判断代码执行的结果


图片


如果不为空，则请求高德的接口


图片


添加两个http 模块


图片


http 的地址为高德天气的接口地址

https://restapi.amap.com/v3/weather/weatherInfo

city 的值为代码执行的 result

第一个http 模块 extensions的值是base


图片


第二个http模块extensions的值填  all


图片


然后我们把两个http请求的结果作为 大模型的输入，让大模型根据查询到的天气信息进行天气预报


图片


在系统提示词里面通过变量引入http请求的输出结果


图片


在用户提示词里面引入用户问题


图片


添加结束节点，完成工作流


图片


使用LLM2 的输出结果进行结束


图片


回过头去看条件分支的else

添加一个大模型进行结束

图片


让模型回答 没有找到您所说的地区名，请重新输入。

系统提示词是

你只需要直接回复：没有找到您所说的地区名，请重新输入。

图片


添加一个结束 作为else 的结束


图片


添加结束节点作为输出LLM3 的回复


图片


图片


发布之后可以在探索中打开直接使用


图片


输入你想要查询天气的城市


图片



更多玩法等你解锁，你就是未来的AI专家

微信  findingnoone