用RAGFlow快速搭建微信问答机器人

基于知识库的问答机器有广泛的应用场景，比如：微信用户群的用户支持，在客户群对产品性能进行自动回复，学习小组的自动答疑，在一对一的聊天场景下自动答复特定问题，等等。

RAGFlow 是基于 OCR 和深度文本理解的 RAG 引擎。RAGFlow 能够基于不同文本类型作相应的数据清洗；自动化的工作流可以帮你快速搭建AI 智能问答机器人所需的专业知识库；基于知识库进行问答时，RAGFlow 的另一大特色是有理有据的文本引用机制，能够给出答案在原文所对应的出处和截图。这些功能都有助于搭建微信问答机器人，改进最终的问答效果。

下面，我们就用 RAGFlow 来快速搭建一个微信问答机器人。手把手系列教程，小白友好！

效果展示

先来看看建好的微信问答机器人的问答效果是什么样的。下面这三张截图随机截取了 RAGFlow 用户群的问答机器人的三个问答场景。可以看到，三个问题都得到了实时的回答。而且，每个回答都配有对应的引文截图，大大提升了回答的可信度：

下面我们开始动手搭建微信问答机器人。总的来说，搭建微信问答机器人可以分为三个步骤：数据准备、搭建知识库、接入微信机器人。

第一步：数据准备

所谓数据准备是指：通过调整数据格式来确保问题的召回率。根据我们的实践经验，我们推荐两种数据准备格式：

• 你可以像下面这两张截图这样，把每条 Q&A 问答对都截成一张图片文件，然后把这些图片上传到 RAGFlow 的知识库：

• 你也可以像下面这样，把 Q&A 问答对内容都写到一个 EXCEL 表格（第一列放问题，第二列是答案），然后再把 EXCEL 表格上传到知识库（注意：用这种方式准备的问答对在问答时不会有引文截图）：

第二步：使用 RAGFlow 搭建专业知识库

数据准备完毕以后，我们就需要在 RAGFlow 搭建知识库，完成文件的上传文本解析。完成对话配置后，我们的数据就可以作为微信机器人的输入了。

1. 可以在 RAGFlow 的在线 demo （https://demo.ragflow.io）完成注册并配置相关的模型供应商 API-KEY 来验证这项能力。如果希望本地部署 RAGFlow，请参考这篇快速开始(https://ragflow.io/docs/dev/)。
2. 创建你的垂直领域知识库并设置对应的向量模型和切片模板。这里我们选择了Qwen 的 text-embedding-v2 和通用模板：

     3. 完成文档的上传和文本解析。下面这张截图显示所有上传的文本已经解析成功。这时候，这些上传的文本就算正式入库可以用来进行问答了。

     4. 基于知识库创建对话助理，设置相关提示词、调整问答大模型等。

      5. 获取 Chat Bot API key 用来对 RESTful API 调用进行鉴权：

     6. 调用 REST 方法 new_conversation获取唯一的id。更多相关 API 详见 API 参考（https://ragflow.io/docs/dev/api）。

第三步：配置智能微秘书接入微信机器人

1. 获取 API KEY 和 API SECRET：

2. Docker 部署服务：

docker pull aibotk/wechat-assistant:latest
docker run -d -e TZ=Asia/Shanghai -e AIBOTK_KEY=微秘书apikey -e AIBOTK_SECRET=微秘书apiSecret --name=wechatbot aibotk/wechat-assistant

3. 进入微秘书首页，通过扫码登录接入机器人的微信号：

 4. 在高级功能中，找到回调事件进行配置,将 RAGFlow的 API 服务填写进入回调事件，：

• 填写回调地址：http://demo.ragflow.io/v1/api/completion_aibotk
• 添加自定义参数 conversation_id 和 Authorization，并依次填入在配置 RAGFlow 中获取的 id 和 Chat Bot API key。
• 添加触发关键词，客户的提问中需包含关键词才可触发微信机器人回复，例如"为什么"。

最后

如果你在配置微信自动问答机器人的时候遇到任何问题，或者有任何关于 RAGFlow 的建议，欢迎添加 RAGFlow 小助手加入我们的微信群，或者到RAGFlow 的 GitHub 仓库 https://github.com/infiniflow/ragflow 的 discussions 板块参与讨论或提交 feature request！