使用 Dify 和 Moonshot API 做一个懒人 AI 阅读工具（二）：轻量 RAG 应用
内容提要
这篇文章介绍了如何使用Dify和WordPress API构建AI应用。作者通过获取文章内容并进行处理，然后将其与Dify应用关联起来。文章还提到了如何完善RAG检索能力，并展望了下一篇的内容。
延伸解读
轻量 RAG 的适用边界
文章明确区分了轻量 RAG 与 Dify 默认知识库的适用场景：后者面向十万、百万乃至千万级内容，需要 embedding、向量检索等复杂流程；而针对百十来篇、几千篇明确内容，直接利用长上下文模型（如 128K）避免切片和向量化，能更快实现 AI 交互。读者需根据自身内容规模选择方案，避免过度设计。
内容预处理对成本的影响
从 WordPress API 获取的 HTML 内容包含大量标签，直接送入模型会浪费 token 并增加费用。文章通过转换为 Markdown 并剔除图片链接来精简内容，既减少处理时间，也降低调用成本。这提示我们在构建类似应用时，应重视输入数据的清洗与格式优化，而非直接使用原始富文本。
利用内容审查实现动态 Prompt
Dify 的“内容审查”功能被作者视为“内容前后处理”，它不仅能过滤，还能通过 API 扩展动态修改提示词。文章通过该机制，根据用户查询中的文章 ID 从 WordPress 获取对应内容，替换 Prompt 中的变量，使模型基于指定素材回答。这为轻量 RAG 提供了灵活的前置干预手段，无需改动 Dify 核心逻辑。
从指定 ID 到搜索关联的演进
当前实现需要手动传递文章 ID，作者认为这还不够智能。要完善 RAG 中的检索动作，可将获取文章 ID 的过程与 WordPress 的搜索 API 关联，并利用创建时间、分类、标签等字段对结果排序，再聚合内容传递给模型。这为后续扩展指明了方向，也体现了轻量方案向更自动化检索过渡的路径。
Q&A
如何使用Dify和WordPress API构建AI应用？
可以通过获取文章内容并进行处理，将其与Dify应用关联来构建AI应用。
什么是RAG方案，它的作用是什么？
RAG（增强检索）方案利用模型的内容理解和语言重生成能力，帮助用户更有效地获取信息。
在Dify中如何定义知识问答机器人应用？
在Dify中创建应用时，可以设置Prompt来指导模型，定义应用的名称和描述。
使用Dify的内容审查功能有什么好处？
内容审查功能可以增强Prompt内容的控制能力，确保模型输出的准确性和相关性。
如何将HTML格式的内容转换为Markdown格式？
可以使用相应的代码库将获取到的HTML内容转换为Markdown格式，以便于后续处理。
如何完善RAG检索能力以提高应用智能？
可以通过将获取文章素材ID的过程与搜索动作关联，来提升RAG检索的智能化水平。
