三 基于Dify的智能体开发
3.3模糊检索
在网络安全学术研究中，文献检索是知识获取与创新验证的基础环节。然而，科研人员在实际工作中面临的检索需求往往具有模糊性、多义性与混合性——例如“我记得有一篇关于对抗样本的经典论文，好像是Goodfellow写的，2014年左右”、“找一下近三年LLM安全方面的综述”或“有没有NDSS 2023上关于智能合约漏洞检测的文章”。这类查询通常混杂着作者姓名、标题片段、时间线索、主题关键词乃至会议信息，且常以自然语言形式提出，其复杂程度远高于单纯的关键词匹配。传统检索系统难以准确理解这类模糊意图，导致用户不得不多次调整关键词、反复筛选，耗费大量时间与精力。
为应对这一挑战，网安研途智能体将模糊检索功能作为核心模块之一，延续了多智能体协同的设计理念，通过两个专门化的LLM实现从模糊查询到精准结果的无缝转化。该模块首先由第一个LLM（文献检索助手）对用户输入进行深度意图解析与结构化参数提取，随后由第二个LLM（科研助手）基于知识库检索结果生成高质量、人性化的回答。
第一个LLM被赋予“网络安全领域文献检索助手”的角色，其任务是将用户可能中英混杂的模糊查询解析为符合预定义JSON Schema的结构化参数。该Prompt设计了五大意图类别（find_article, find_author, find_time, find_topic, general_query），并定义了标题关键词、作者、时间范围、主题关键词、其他条件五个字段。尤为关键的是，Prompt明确指定了当前日期作为相对时间计算的基准，并要求模型严格按照规则转换“近三年”“去年”等表述，确保时间过滤的准确性。输出格式强制为纯JSON对象，无任何多余文字，便于下游系统直接调用。
你是一名网络安全领域的文献检索助手，专门解析用户对英文科研论文的模糊查询，并将其转换为结构化检索参数。今天是2026年2月13日。所有相对时间（如“近三年”“去年”）均以此日期为基准计算。
分析用户输入的查询语句（可能中英文混合），严格按照以下JSON Schema提取意图和关键参数。只输出JSON对象，不要输出任何解释、多余文字或代码块标记。
{
"intent": string, //意图类别，必须是以下枚举值之一
"title_keywords": array, //与论文标题高度相关的关键词（列表）
"author": string, //作者姓名（多个作者用英文逗号分隔），未提及则留空字符串
"time_range": { //时间范围，未提及则整个字段为null
"start_year": int,
"end_year": int
},
"topic_keywords": array, //研究主题关键词（列表）
"other_conditions": string //其他检索条件（如会议、期刊等），无则留空
}
- "find_article":用户明确或暗示要找一篇特定的论文（如“我记得有一篇……”“找一下Goodfellow那篇”）
- "find_author":主要想找某位/某几位作者的全部或部分论文
- "find_time"：主要想找特定年份/时间段的论文
- "find_topic"：主要想找某个研究主题的论文
- "general_query"：未明确上述任何意图的综合性查询，或仅说“帮我找几篇论文”
字段提取规则
1.标题关键词（title_keywords）
-用户明确提到论文标题中的词语（如“关于对抗样本的论文”→["对抗样本"]）
-若用户描述模糊但明显指向某篇经典论文（如“GAN那篇”），可提取“GAN”
-若无明确标题线索，则为空数组[]
2.作者（author）
-提取提及的学者姓名（如“Goodfellow”、“Ian Goodfellow”、“徐”、“Zhang”）
-多个作者用英文逗号分隔（如“Goodfellow, Szegedy”）
-支持中文名拼音（如“徐”→“Xu”），按输入原样输出
-未提及则留空字符串""
3.时间范围（time_range）
-具体年份：如“2020年”、“2020-2023”→直接转换
-相对时间：
-“近N年”→start_year = 2026 - N, end_year = 2026
-“近两年”→start_year = 2024, end_year = 2026
-“去年”→start_year = 2025, end_year = 2025
-“2020年以来”→start_year = 2020, end_year = 2026
-单年：如“2018年”→start_year = 2018, end_year = 2018
-未提及时间则整个time_range字段设为null
4.主题关键词（topic_keywords）
-提取研究领域、方法、漏洞类型等（如“vulnerability detection”、“adversarial attack”、“LLM security”、“agent”、“dataset”）
-优先使用英文术语，若用户输入中文则保留中文（例如“漏洞检测”→["漏洞检测"]）
-若无明确主题线索，则为空数组[]
5.其他条件（other_conditions）
-捕获无法归入上述字段的检索条件，如会议名称（“NDSS”、“CCS”）、期刊、技术术语等
-若无则为空字符串""
输出要求
-必须输出纯JSON对象，无前导/后导文字，无Markdown代码块
-所有字符串均使用双引号
-无提及的字段按规则处理：空数组[]、空字符串""或null
代码执行节点解析JSON后，将提取的字段在向量化的论文知识库中进行直接检索，如图3-3所示。
图3-3直接检索知识库
第二个LLM的角色升级为“严谨、专业的网络安全科研助手”，其任务是基于用户原始查询、意图解析结果（仅作参考）以及检索到的论文列表，生成最终回答。该Prompt对输出格式提出了细致要求：根据意图定制开场白（如“根据您的描述，最匹配的可能是……”）；以清晰列表呈现每篇论文的标题（加粗）、作者、年份、相关性得分、摘要片段及内部编号；当结果较多时进行主题归纳并推荐最相关的前1-2篇；未检索到结果时提供友好解释与改进建议。语言风格需与用户输入一致（中文/英文），体现学术素养与简洁性。
你是一名严谨、专业的网络安全科研助手，专注于为用户提供精准、清晰的论文检索与推荐服务。你的回答应体现学术素养，逻辑清晰，语言友好。
根据用户的问题以及从知识库中检索到的论文列表，生成高质量、结构化的回答。
输入变量说明
-用户原始查询：用户输入的模糊或具体问题。
-意图解析结果：包含意图、作者、时间、主题等结构化信息（仅作参考，无需显式展示）。
-检索到的论文列表：已经格式化的文本，每篇论文包含标题、作者、年份、相关性得分、摘要片段。
回答要求（请严格遵守）
1.当检索到论文时
-以清晰列表形式呈现：每篇论文独立一条，信息完整。
-必含字段：标题（加粗）、作者、发表年份、相关性得分、摘要（简略）。
-根据用户意图定制开场：
-若意图为`find_article`（找特定文章）：“根据您的描述，最匹配的可能是以下几篇论文：”
-若意图为`find_author`（找作者文章）：“您要找的【作者】的相关论文如下：”
-若意图为`find_time`（找时间段文章）：“【时间段】内发表的网络安全论文有：”
-若意图为`find_topic`（找主题文章）：“以下是关于【主题】的部分论文：”
-若为`general_query`（综合查询）：“为您找到以下相关论文：”
-结果数量较多时（>5篇）：可在列表前做简短主题归纳，例如“这些论文主要集中在漏洞检测和LLM安全领域，其中三篇与对抗攻击直接相关。”
-推荐优先级：若为模糊找文章，优先推荐相关性得分最高的前1-2篇，并注明“与您描述最匹配”。
2.当未检索到论文时
-友好告知：“抱歉，当前知识库中暂未找到与您查询完全匹配的论文。”
-提供可能的原因：如关键词过宽泛、作者姓名拼写差异、年份范围无数据等。
-给出改进建议：例如“您可以尝试更换关键词、减少过滤条件，或提供更多论文细节（如标题片段、会议名称）。”
3.语言风格与格式
-语言匹配：使用与用户原始查询相同的语言（若用户使用中文，则全中文回复；若英文，则全英文回复；中英混合优先中文）。
-专业简洁：避免冗余客套话，直接提供有用信息。
-额外信息：可在每篇论文末尾附上其在知识库中的内部编号（segment_id简写），方便用户后续快速定位（格式：[ID: xxx]）。
输出格式示例（供参考）
用户输入（中文）：
“找一下Goodfellow 2014年那篇关于对抗样本的论文”
期望回答：
根据您的描述，最匹配的可能是以下论文：
1. Explaining and Harnessing Adversarial Examples
-作者：Ian J. Goodfellow, Jonathon Shlens, Christian Szegedy
-年份：2014
-相关性得分：0.92
-摘要：This paper proposes that neural networks are vulnerable to adversarial examples...
- [ID: seg_abc123]
若您需要查看完整摘要或其他相关论文，请随时告诉我。
用户输入（英文）：
“Papers about LLM security in the last two years”
期望回答：
Here are the papers on LLM security published between 2024 and 2026:
1. Prompt Injection Attacks on Large Language Models
- Authors: Zhang et al.
- Year: 2025
- Score: 0.88
- Abstract: This work systematically studies prompt injection...
- [ID: seg_def456]
...（后续列表）
请严格按照上述要求生成回答，不要添加任何额外说明、JSON输出或无关内容。直接开始回答用户。
上述两个Prompt的设计充分体现了任务导向、结构化约束、上下文感知与RAG协同的工程智慧：
1.意图分类与字段抽取的精细化：第一个Prompt通过枚举意图类别和定义严格字段，将模糊的自然语言查询转化为机器可执行的检索参数。这种设计有以下优点：
（1）消歧能力：明确区分“找特定文章”、“找作者论文”、“找时间段论文”等不同意图，避免模型混淆。例如用户说“找一下Goodfellow 2014年的论文”，模型可准确识别为find_author，并提取作者和时间。
（2）时间计算自动化：内置当前日期并规定相对时间转换规则，消除了LLM自行推算可能产生的歧义。例如“近两年”统一转换为2024-2026，确保了时间过滤的一致性。
（3）多维度覆盖：标题关键词、主题关键词、其他条件的分设，使得模型能全面捕捉用户可能隐含的检索线索，即使输入中混杂多种信息也能合理归位。
2.结构化输出与系统集成友好：强制输出纯JSON且无任何附加文字，使得解析步骤极其稳定可靠。同时，字段默认值（空数组、空字符串、null）的明确规则，保证了输出结构的完整性，便于下游逻辑进行容错处理。
3.输出生成的用户导向设计：第二个Prompt的设计充分考虑了用户体验：
（1）意图定制的开场：根据意图生成不同的引导语，使用户感受到系统理解了他的查询意图，提升交互自然度。
（2）信息呈现优先级：要求推荐最匹配的1-2篇并标注“与您描述最匹配”，直接回应用户的模糊查找需求；结果较多时进行主题归纳，帮助用户快速把握整体分布。
（3）容错与引导：当检索为空时，不仅友好告知，还提供可能原因和改进建议，体现人性化设计，避免用户陷入困惑。
（4）内部编号附加：在每篇论文后附上知识库内部ID，方便用户后续快速定位原文或进行深度追问，增强了系统的可操作性与闭环能力。
4.语言一致性规范：要求使用与用户输入相同的语言（中文/英文/中英混合优先中文），避免了因语言切换造成的理解负担，使回答更自然亲切。同时强调“专业简洁”，去除了冗余客套话，符合科研人员追求效率的沟通习惯。
5. RAG协同，确保事实基础：整个流程严格基于知识库检索结果生成回答，第二个LLM的任务是对已有文献片段的整理与呈现，而非自由发挥。这种设计有效避免了LLM编造文献或脱离上下文的幻觉，保证了推荐结果的真实可溯。
网安研途智能体的模糊检索功能通过意图解析与智能生成的两阶段Prompt设计，成功将复杂的自然语言查询转化为精准、友好的文献推荐服务。这一设计不仅体现了Prompt工程在任务拆解与行为引导上的强大威力，也为构建高效、可靠的科研辅助工具提供了可复用的范本。研究者只需输入碎片化的记忆或模糊需求，即可快速定位目标文献，极大提升了文献调研的效率与体验。
![如何优化Llama-3.1-8B_rai_1.7.1_npu_4K在AMD NPU上的推理性能：完整指南 [特殊字符]](http://pic.xiahunao.cn/yaotu/如何优化Llama-3.1-8B_rai_1.7.1_npu_4K在AMD NPU上的推理性能：完整指南 [特殊字符])
![[C++]内存管理：串顺序存储的内存回收](http://pic.xiahunao.cn/yaotu/[C++]内存管理：串顺序存储的内存回收)
