大模型Dify实战：Dify如何用爬虫抓取网络内容后写入知识库中

知识库几乎是AI创作的中心，能解决很多问题，例如AI幻觉（按着知识库的内容来输出，不会乱写）

在我教培业务中，搭建了一个内容知识库。根据这个知识库去生产小红书、公众号内容，能确保准确性，进而确保我账号人设的专业度。

但我发现，很少人在用知识库，大家的一个痛点就是把内容加进「知识库」这件事比较费劲。

虽然腾讯的IMA知识库能让大家把公众号文章等内容快速存到知识库里，但受限于知识库的能力、模型和工作流问题，这种形式只能日常问答一下，无法赋能业务。

今天就跟大家分享一下，Dify如何用爬虫抓取网络内容后写入知识库中。

我的业务是数学思维的教培，经常需要制作优秀的小红书笔记、公众号内容来吸引客户。但纯AI生成的内容幻觉严重，而且「不落地」

所以我打算新建一个「数学思维知识库」，把小红书、公众号上优秀的内容都存进去，然后再让AI基于知识库来做内容的生产，效率和效果都能有保证。

以公众号的内容为例，假设我看到一个不错的文章，怎么把它加入到我Dify知识库呢？

前期准备

1. 创建知识库

如图，创建一个用于装内容的知识库。这里，我们创建一个空的即可。

此时，要先从网址中，找到这个知识库id在datesets和documents中间的就是了。

2. 新建API密钥

目前，Dify暂没有可以直接写入数据库的插件，所以我们是通过HTTP请求来解决的。

而走http就需要密钥。按下图新建一个。

注意⚠️ 这个密钥是可以操作所有知识库的

接着在文档中，找到通过文本创建文档，这里的请求规则就是后面我们需要编写的。

3. 安装Firecrawl

因为我们是要爬网页上的内容，所以需要一个爬虫工具。

这里选择用Firecrawl，可以直接在插件市场里找到安装。

然后根据提示到官网注册一个账号，拿到API Key

⚠️注意：Firecrawl实际只是有一定的免费额度。

以上准备工作完成，我们就可以开发工作流了。

老规矩，一步一步来，先做一个简单的，再做一个复杂的。

青铜：抓取单页面存入知识库

以下就是完整的工作流：

逻辑是从用户的输入内容中提取出网址，接着用Firecrawl去读取页面内容，再用AI提炼出标题和正文，最后存入知识库。

参数提取器

如图，很简单就不多说了。

单页面抓取

Firecrawl是有多个工具可以选

但这里我们选单页面抓取就好了

设置返回的结果是markdown格式

仅抓取主要内容为True，就是把无关的页头页尾之类的删掉

其中，关键的地方在于「请求头」

要知道，所有网站都有反爬措施，尤其是公众号文章，正常去抓是会识别成机器人，返回错误结果的，如下图：

解决方案就是加个请求头，伪装成正常的浏览器：

{'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'}

这样就能正确把文章内容抓下来了。

参数提取器

目的是从返回的内容中把标题和正文识别出来。

注意在提示词中要让AI确保还原完整的内容，不要去做任何改动。

转义特殊符号

因为我们要走HTTP请求，对于内容的格式是特别敏感的，有点换行符之类的就会报错了。

这里我们直接插入一段代码，把里面的几乎所有特殊符号都做处理。

参考：

function main({arg1}) {
    return {
        content: arg1.replace(/\/g, '\\').replace(/"/g, '\"').replace(/
/g, '\n').replace(/
/g, '\r').replace(/	/g, '\t')
    }
}

HTTP请求：存进知识库

有了内容后，就可以新建HTTP请求节点。

这里有个小技巧，就是把前面API文档里的cURL示例，复制过来，能自动填入

然后点上面的**「鉴权API-Key」**

按下图把知识库的密钥加进去。

还有个要点：Headers里一定要加Content-Type，要不然会无法识别正确的格式。

测试运行

至此，就完成工作流了。

测试一下：把网址放进去。

OK，存进去了

先不着急用这个知识库，今天这内容，解决的是「存入」的问题，下次来解决「读取」怎么用的问题。

白银：批量存多篇内容

假如我现在有一批内容，要存进去，怎么搞？

这样一篇一篇的加，明显效率很低。

思路是：

先获取这些内容的地址

用**「迭代」节点遍历网址，**循环调用第一步的“读取网页-存入知识库”

工作流长这样：

ok，先解决第一步。

饼干哥哥之前用AI编程Cursor开发了一个浏览器插件，功能是把打开的网址采集下来，很方便

感兴趣可以留言，我出一期具体怎么做的教程

得到：

标题        mp_url
提高数学成绩的学习方法，比补课效果强100倍（深度长文）        https://mp.weixin.qq.com/s/NuFfXophlFASb2B6dpD17Q
学好数学，最重要的是抓住这个“根”！（附方法指引）        https://mp.weixin.qq.com/s/uz50tLQpHisNeYT9J-naHQ
提高数学成绩的超常规学习方法（深度好文）        https://mp.weixin.qq.com/s/vMqdQp0LWCO-OXgRRdJ7PQ
提高数学成绩的方法(建议永久保存)        https://mp.weixin.qq.com/s/SVSXmGDfR0JCDXq8Za9pvw
数学开窍的第一步，是规则的开窍        https://mp.weixin.qq.com/s/FDIOBPZA7RMqwXeIMVdyQQ
哈罗学校讲座逐字稿：怎样培养孩子的数学思维？        https://mp.weixin.qq.com/s/k_Dbkcf2fd15ItnlURiJtQ

接下来就是对工作流做修改

参数提取器

首先是**「参数提取器」，把提取参数改成数组类型****Array**

同时修改**「指令」要求AI输出的是数组**