视频+教程 | 三位一体：MOI 数据源 + MO 向量存储 + Dify 应用层，构建企业级 RAG

概述

本教程将详细引导您完成一个完整的数据处理与应用流程：首先，我们将 Dify 平台与 MatrixOne (MO) 数据库进行集成，使用 MatrixOne 作为 Dify 的向量存储后端；然后，演示了如何从 MatrixOne Intelligence (MOI) 平台将处理好的分段数据（Chunks）导出到 Dify 中新建的知识库；最终，利用这些导入的数据快速构建一个智能聊天应用。

通过本教程，您将掌握：

如何配置 Dify 以使用 MatrixOne 作为其向量数据库。
如何在 MOI 和 Dify 之间建立数据连接。
如何将 MOI 的数据导出到 Dify 知识库。
如何基于导入的知识库数据构建一个可用的 AI 智能体。

Part 1: 环境准备与 Dify-MO 集成

在开始之前，请确保您的本地开发环境已经准备就绪。

1.1 安装 Git

Git 是用于版本控制的必备工具，我们将用它来克隆 Dify 的源代码。

1. 安装 Git

请参考 Git 官方文档 Git - Downloading Package 根据您的操作系统进行安装。

2. 验证安装

打开终端，运行以下命令检查 Git 是否安装成功。

如果看到类似 git version 2.40.0 的输出，则表示安装成功。

1.2 安装 Docker

Docker Get Docker | Docker Docs 用于创建和管理容器化的应用环境，Dify 的部署依赖于 Docker。

1. 安装 Docker Desktop

访问 Get Docker 官方页面，根据您的操作系统下载并安装 Docker Desktop。推荐 Docker 版本不低于 20.10.18。

2. 验证安装

安装完成后，在终端中运行以下命令来验证 Docker 版本。

如果看到类似 Docker version 20.10.18, build 100c701 的输出，则表示安装成功。

3. 启动 Docker

请确保 Docker Desktop 应用程序已经启动并在后台运行。

1.3 配置并启动 Dify

接下来，我们将获取 Dify 源码，并将其配置为使用 MatrixOne 数据库。

1. 获取 Dify 源代码

克隆 Dify 最新的源代码到您的本地。

2. 构建支持 MatrixOne 的 Docker 镜像

我们需要构建一个特殊的 Docker 镜像，该镜像包含了与 MatrixOne 连接所需的依赖。

(注意：此步骤可能需要一些时间，因为它会下载依赖并构建镜像)

3. 配置环境变量

进入 docker 目录，并从模板文件复制一份新的环境变量配置文件。

4. 编辑 .env 文件

使用您常用的文本编辑器（如 VS Code, Vim）打开 .env 文件，找到并修改以下配置，以连接到您的 MatrixOne 实例。

5. 修改 Docker Compose 配置

编辑 docker-compose.yaml 文件，将其中 api 和 worker 服务的镜像替换为我们刚刚构建的 langgenius/dify-api:mo。

找到以下两个部分并修改 image 字段：

6. 启动 Dify 服务

一切准备就绪，现在可以启动 Dify 平台了。

服务启动需要一些时间。您可以使用 docker compose logs -f 查看实时日志。

7. 初始化 Dify 平台

在浏览器中访问 http://localhost/install，根据页面提示完成管理员账户的初始化设置。
登录后，进入"设置 -> 模型提供商"，配置您的大语言模型（LLM）和向量模型的 API Key，例如 Ollama, OpenAI, Anthropic 等。

至此，您的 Dify 平台已经成功搭建并与 MatrixOne 集成。

Part 2: 核心流程：从 MOI 导出数据至 Dify

现在，我们将数据从 MOI 平台导出到 Dify。

2.1 在 Dify 中准备知识库

首先，我们需要在 Dify 中创建一个空的知识库，作为数据的接收容器。

登录 Dify 平台。
进入"知识库"模块。
点击"创建知识库"，输入一个名称（例如 moi_data_repository），然后点击"创建"。

2.2 在 MOI 中配置 Dify 连接器

为了让 MOI 能够将数据发送到 Dify，需要配置一个连接器。

登录 MOI 平台。
进入"数据连接 -> 连接器"页面。
点击"新建连接器"，类型选择为 Dify。
填写以下配置信息：
- API 服务器地址：
  - 回到 Dify 平台，进入"知识库"模块。
  - 点击页面右上角的"API 访问"。
  - 复制"API 服务器地址"，并确保其为公网可访问的 HTTPS 协议地址。若协议非 HTTPS，请手动补充。(例如：https://...)。
- API 密钥：
  - 在 Dify 的同一"API 访问"页面中，复制"个人 API Token"（访问令牌）。
保存连接器。

2.3 在 MOI 中创建并执行导出任务

连接器配置好后，我们就可以创建导出任务了。

在 MOI 平台，进入"数据连接 -> 数据导出"页面。
点击"新建导出"，并配置以下选项：
- 任务名称：自定义一个任务名称。
- 选择文件：选择一个经过工作流处理后、包含分段（chunks）数据的文件。这是导出到向量数据库的必要条件。
- 选择连接器：选择上一步创建的 Dify 连接器。
- 选择知识库：系统会自动加载 Dify 中的知识库列表，选择我们刚刚创建的空知识库（例如 moi_data_repository）。
- 向量模型：如果是首次向这个知识库导出，您需要选择一个向量化模型。请确保该模型与您 Dify 中配置的 Embedding 模型一致或兼容。
点击"创建"后，导出任务开始执行。等待任务状态从"进行中"变为"完成"。

2.4 验证数据导入成功

导出完成后，我们需要验证数据是否已成功写入 Dify 的知识库中。

方法一：通过 Dify UI 验证（推荐）

回到 Dify 平台，进入您创建的知识库。
点击"文档"标签页。您应该能看到从 MOI 导出的文档列表。
点击"分段"标签页，您可以看到文档被切分成的具体数据条目，这表明数据已成功向量化并存储。

方法二：通过数据库验证（可选，高级）

如果您想深入后台确认，可以直接连接到 MatrixOne 数据库进行检查。

使用 MySQL 客户端连接到 MatrixOne 实例。
切换到 Dify 数据库并查看其中的数据表。
查看表结构和数据行数，确认数据已写入。

如果 COUNT(*) 的结果大于 0，则表明数据已成功写入数据库。

Part 3: 应用实践：基于导入数据构建智能体

数据成功导入 Dify 知识库后，即可利用其构建智能聊天助手，让 AI 能够基于您上传的知识进行问答。

3.1 创建聊天助手应用

在 Dify 首页，点击"创建应用"。
选择应用类型为"聊天助手"。
为您的应用命名（例如"MOI 知识问答助手"），然后点击"创建"。

3.2 编排应用并关联知识库

创建后，您将进入应用的"编排"页面。这是配置 AI 行为的核心区域。

1. 填写提示词 (Prompt)：

在"提示词"部分，定义助手的角色和任务。例如：

2. 关联知识库（关键步骤）：

在"上下文"模块，点击"添加"，然后选择我们之前创建并导入了数据的知识库（moi_data_repository）。这将使 AI 在回答问题时，能够检索和引用该知识库中的内容。

3. 配置开场白（可选）：

在页面底部"添加功能"中，可以启用"对话开场白"，为用户提供一个友好的欢迎语和一些示例问题。

3.3 调试和发布

在页面右侧的"预览与调试"窗口中，输入与您知识库相关的问题，测试助手的回答效果。
如果对结果满意，点击右上角的"发布"按钮。
发布后，您可以获得一个公开的 WebApp 链接，或使用 API 将其集成到您自己的产品中。

有关更详细的应用编排技巧，例如变量、工具调用等，请参阅 https://docs.dify.ai/v/zh-hans/guides/application-orchestrate/chatbot-application

至此，您已完成从环境搭建、数据导出到智能体构建的完整流程。

观看直播回放，获取更详尽的实战演示与内容解析

直播 Q&A 环节

Q：与其他开源方案 (如 LangChain + Chroma) 相比有什么优势？

A：核心差异在于两者的定位：LangChain + Chroma 是一个"开发者工具集"，而我们的方案是一个"一体化的企业级平台"。基于工具集，开发者仍需编写大量代码来粘合数据处理、存储与应用逻辑，开发与维护成本高昂。在实际项目中，非结构化数据处理往往是复杂度最高、最耗费精力的环节，而这正是 MOI 旨在解决的核心问题。

Q：Dify 和 MOI 之间的连接是实时的吗？

A：在此次演示中，我们展示的是一个"数据导出任务"。然而，MOI 的核心优势在于其"自动化工作流"：该任务可配置为定时触发（如每5分钟一次），或由外部API事件（如新文件上传）触发。这种机制虽非毫秒级的流式同步，但其"准实时"特性足以满足企业级 RAG 的知识更新需求，能有效解决常见的"知识更新延迟"痛点。

Q：MOI 的多模态处理具体支持哪些格式？