为什么需要SOP检索问答Agent？
标准化作业程序(SOP)是企业规范操作流程、保障服务质量的核心知识资产。但在实际应用中，传统SOP管理面临三大痛点：
检索低效：员工需手动翻阅文档库，定位关键步骤耗时且易出错；
应用门槛高：复杂SOP对新员工理解困难，培训成本激增；
动态更新滞后：修订版SOP无法实时同步至执行端，导致操作偏差。
SOP检索问答Agent通过智能语义理解+即时知识检索技术，赋予企业以下能力：
✅ 精准秒级响应：自然语言提问（如“设备故障代码102如何处理？”），自动匹配最新SOP条款；
✅ 降低人为错误：结构化输出操作步骤、安全规范及关联案例，规避疏漏风险；
✅ 动态知识同步：对接企业知识库，确保Agent响应与实时更新的SOP版本一致。
该Agent不仅是效率工具，更是将静态文档转化为可交互式智能知识引擎，显著提升操作合规性与组织协同效能。
效果演示
SOP检索问答agent的整体实现效果是：用户通过下拉框选取文档之后点击获取全部步骤，也可以选择某个步骤进行问答，同时会根据本轮上下文信息推理用户的“下一步问题”。
实现的具体流程
前期用户需求收集(这一步非常重要哦
)
大模型落地是为人服务的，一切工作都是从用户需求的出发。所以首先是知悉用户的需求，例如：如何交互？输出效果？底线要求？
以我们构建的agent为例，经过与用户沟通我们确定了以下三点要求：
交互方便：省略一切不必要的操作（使用问题预测减少输入的动作）
回复准确：避免因错误指导提高次品率（初期数据处理选取合适的OCR工具）
响应快速：降低整体流程的耗时（避免盲目all in超大参数模型）
整体架构搭建
下面我们将分三个部分来讲解：
一、原始文件处理
本文示例以生产工艺SOP为例进行讲解。我们所有处理的文件都是pdf格式，每个步骤以表格的形式展示，包含跨页表格和单页表格，如图1、图2所示。
图1 (a)跨页表格
图1 (b)跨页表格-续
图2 单页完整表格
针对原始文件的特点，我们将pdf的每页转化为png图片，然后使用多模态模型进行处理，这部分我们参考使用的项目为 https://github.com/CosmosShadow/gptpdf
gptpdf和我们的文档处理思路很相似，先将pdf文件转化为单张png图片，然后借助多模态模型的能力进行文字提取。
虽然思路与我们完美契合，但由于我们的pdf存在跨页表格的情况，所以我们在pdf转化为图片的这一步时增加了判断，即根据当前页面表格是否包含表头为条件，将不包含表头的表格视为“续表”，与前一页进行合并，最终得到图3。
图3 拼接之后的图片
至此我们将原始pdf处理得到了图片和步骤内容。我们将每个机器的SOP存储在一个word文档内，方便后续知识库构建。（思考：我们真的需要将步骤的完整文字描述存储到知识库中吗？）
同时，为了实现用户查询整体SOP步骤，我们抽取（使用LLM）出SOP的每个步骤构建成一个txt文件，也上传到知识库中。
二、知识库的构建
Chunk：dify知识库提供的chunk方法包括两种，通用方法：按照标识符进行分块，对每个chunk进行字符长度限制，为了保证语义的连贯性，每个chunk设置重叠字符数量；父子分块：设置参考图4。
图4 分块设置
Embedding和reranker选择：因为SOP检索问答对于语义的检索较少，所以我们使用bge-reranker-large和bge-large-v1.5-zh可以满足检索需求，如图5
图5 Embedding的选择
在检索设置上我们使用了如图6的设置。因为我们会聚焦到具体的SOP文档同时每个步骤各不相同，所以召回的top_k不用过多，以免扰乱后续的生成。检索的权重设置为语义0.7、关键字0.3，召回阈值设置为0.6，但是迁移到不同的项目中，权重和阈值还是要经过一番调试才能找到最适合你项目的。
图6 检索设置
元数据的设置：为了精确定位到具体的SOP文件中，我们在知识库中设置了一个元数据model_name。如图7，同时在知识库中的每个文件中给元数据赋值，如图8.
图8 元数据赋值
三、workflow的搭建
整体的workflow的搭建思路参照RAG的流程，包括：用户查询内容的处理，知识库检索，大模型整理检索内容和用户问题。
用户查询内容的处理
我们在开始节点增加了一个下拉框选项（如图9），包含了全部的SOP文件名称。目的是为了增加后续知识库检索的精准性。
图9 开始节点文件名参数设置
因为当前存在两种问答方法即全部流程步骤输出和单步骤输出。所以我们需要用if-else节点做一个判断，如图10所示。
图10 判断节点
可以从图中看到，我们将dialogue_count作为一个判断条件，当dialogue_count==0，即第一轮问答时我们会先检索该SOP的全部流程并存储到会话变量sop_total中。这主要是用于用户问题和SOP步骤的匹配，给出下一个步骤。从我们的演示视频中可以看到，回答具体步骤时我们会给出当前步骤名称和下一个步骤。
图11 会话变量
后续我们将用户的问题和SOP文件名进行拼接作为知识库检索的输入。
知识库检索
将用户拼接问题作为query传输到知识库节点，同时设置元数据过滤条件，精确检索。
图12 知识库节点
大模型处理
我们将检索到的内容和用户问题作为prompt内容输入到大模型中。大家可以看到我们在prompt中要求模型只输出图片，不输出文字。这也是解答了我们预留的问题：是否需要将完整的步骤文字上传到知识库中？不需要，因为我们输出的图片中包含了完整的步骤。同时，只输出图片也节省了用户阅读文字的时间。
我们使用的模型是qwen3-30B-A3B，因为大模型只涉及对检索内容的整理输出，不需要太多大模型的能力，所以30B是最具性价比的选择。
图13 LLM节点
