扣子结合外部RAG服务的API调用实战-人工智能-PHP中文网

必须通过http请求插件调用外部rag api实现私有知识检索，需确保服务可公网访问、配置cors、正确设置插件参数与工作流（检索→解析→生成），并验证返回结果有效性。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

扣子结合外部rag服务的api调用实战

要在扣子（Coze）中接入自建或第三方RAG服务（如RAGFlow、NLWeb、Dify等），让Bot具备实时检索私有知识并生成精准回答的能力，必须绕过扣子原生知识库的限制，通过HTTP请求调用外部RAG API完成检索与生成闭环。

确认外部RAG服务已就绪并可公网/内网访问

扣子Bot运行在云端，无法直接访问本地127.0.0.1服务。若你的RAG服务部署在本地或测试服务器上，必须满足以下任一条件：【服务已配置反向代理并暴露有效HTTPS域名】 或 【已开通内网穿透（如ngrok、cpolar）并获取稳定临时URL】。否则后续所有API调用将超时失败。

用浏览器或curl直接访问你的RAG检索接口（例如https://your-domain.com/api/v1/dify/retrieval），传入一个测试query参数，确认返回JSON结构含results数组且状态码为200。

检查响应头是否包含Access-Control-Allow-Origin: *。若无此头且你使用的是自建FastAPI/Flask服务，需手动添加CORS中间件，否则扣子插件会因跨域被浏览器拦截。

在扣子Bot中创建HTTP请求插件

进入Bot编辑页 → 点击左侧「插件」→ 「创建插件」→ 选择「HTTP请求」类型。

填写基础信息：名称填“RAG_External_Search”，描述写“调用外部RAG服务执行语义检索”，认证方式选「无」或「Bearer Token」（依你的RAG服务要求）。

在「请求设置」中配置：

php获得文件的mime type类

下载

方法：POST
URL：粘贴你上一步验证过的完整RAG检索地址，例如https://ragflow.example.com/api/v1/dify/retrieval
Headers：添加Authorization: Bearer ragflow-xxx（若需鉴权）；Content-Type固定为application/json
Body：使用JSON格式，必须包含query字段，其他字段按目标API文档填写。示例：{"query": "{{input}}", "top_k": 3} —— 这里{{input}}是扣子自动注入的用户原始消息内容。

点击「测试」按钮，输入测试问题（如“退货政策怎么规定的？”），观察右侧返回结果是否含results及预期字段（如content、score）。若返回空数组或报错，立即检查URL拼写、token有效期、网络可达性。

设计Bot工作流：检索→拼装→生成

第一步：添加「插件节点」，选择刚创建的RAG_External_Search插件，输入设为{{user_input}}。

第二步：添加「代码节点」，语言选Python。在此节点中解析插件返回的JSON，并拼装成LLM可理解的上下文。关键逻辑如下：

```python
import json
rag_result = json.loads($plugin_result$)
if not rag_result.get("results"):
return {"answer": "未在知识库中找到相关信息。"}
context = "\n\n".join([f"[片段{i+1}] {r.get('content', '')}" for i, r in enumerate(rag_result["results"][:2])])
return {"context": context}
```

注意：这里只取前2个最高分结果，避免context过长触发扣子Token截断。若你的RAG返回字段名不是content（比如是text或chunk），必须同步修改代码中的键名，否则context为空字符串。

第三步：添加「大模型节点」，关闭「使用上下文」开关，在提示词中手动注入拼装好的上下文：
“你是一个客服助手。请严格依据以下提供的资料回答用户问题，禁止编造、推测或引用资料外的信息：\n\n{{context}}\n\n用户问题：{{user_input}}”

保存工作流，发布Bot。发送测试消息，观察最终回复是否准确引用了外部知识库中的原文片段。