本文基于 Dify 官方博客Grounding Dify Agents in Real Data整理改写原文链接见文末。链接和插件名都以官方为准我只在使用者视角上做解读。做 AI 应用这事儿大家基本都走过同一条路最开始写个聊天机器人问一句答一句后来不满足了想让它去翻真实业务数据——查订单、搜文档、推荐人选。这时候麻烦就来了。你要自己接数据库、接 embedding 模型、接向量检索、接重排序再把这一串用代码串起来。对写代码的人来说是体力活对不想写代码的人比如我这种爱折腾但不想天天焊胶水代码的来说基本就只能等平台把这些集成做出来。我前两天在 Dify 的市场里翻发现 MongoDB 和 Dify 合作上架了两个官方插件MongoDB Atlas和Voyage AI。这俩东西加起来等于在 Dify 的画布上就能拼出一个能查真实数据的 RAG 工作流不用自己写后端。名词小抄RAGRetrieval-Augmented Generation检索增强生成——别被名字吓到说白了就是让 AI 回答问题前先去资料库里把相关的几段内容翻出来再让它基于这些内容作答。这样比直接问大模型靠谱因为它答的是查到的真东西而不是脑子里大概率对的东西。下面我把这两个插件能干什么、怎么搭、适合谁用挨个说清楚。一、为什么是 Dify MongoDB 这个组合Dify 本身是个编排层[一句话解释把大模型、工具、提示词像搭积木一样组织起来的地方你拖拖拽拽就能拼出 AI 应用]。你在它画布上排好工作流、Agent、提示词剩下的就是让这些 AI 真正够得着业务数据。而一个能用的 AI 应用光有大模型不够还得有两样东西数据从哪来以及查得准不准。这正好是 MongoDB Atlas 和 Voyage AI 补上的位置MongoDB Atlas管数据和检索文档存着、能做聚合查询[一句话解释MongoDB 里一种多步骤数据处理流水线类似 SQL 里group byjoin的组合]、能做全文搜索、也能做向量检索一个平台全包了。Voyage AI管检索质量出 embedding语义向量用来搜再出 reranking重排序用来把结果排得更准。打个比方如果搭 RAG 像做菜以前你得自己买菜、洗菜、切菜、调味全流程手搓现在 Dify 市场给你备好了净菜包——Atlas 是冰箱存料取料Voyage AI 是那把能精准切配料的刀。你只要决定先放什么后放什么。二、两个插件分别能干啥MongoDB Atlas 插件装好之后它在 Dify 里是一组现成可调用的工具节点直接挂在工作流或 Agent 上就能用。能做的事查文档find跑聚合管道aggregation做 Atlas 向量检索Vector Search做全文检索full-text search插入 / 更新 / 删除文档注意它不只是用来读。比如你可以做一个项目管理 Agent让它去翻团队成员表、技能表、历史项目表、在岗状态然后推荐这个新项目该派谁上。权限给得够细的话它甚至能把一份草稿组队方案写回 MongoDB。Voyage AI 插件这个插件往工作流里加了两个关键节点embedding向量化和reranking重排序。Embedding把文字变成一串数字向量。意思相近的文字这串数字也相近于是就能按意思搜而不是按关键词搜。[一句话解释embedding 就是把一段话压缩成一长串带语义的数字坐标语义越近坐标越近]Reranking第一轮搜出一堆可能相关的再让模型拿用户原问题和每条候选比一比按相关度重新排个序把最对口的那几条顶到最前面。为什么要先向量搜、再重排两步因为向量检索擅长快速捞出一大把可能相关的重排序擅长从这把里面挑出最该用的几条。这就像你先在大库房里按类别抓出一堆零件再让老师傅挑出真正要用的那几个。在 Dify 里这两步都是画布上能看见、能调的节点不用切出去改代码。三、官方给的 MongoDB RAG 模板5 步一条龙Dify 市场里顺手给了个 MongoDB RAG 模板把上面两个插件串成了一条标准流水线。整体长这样步骤谁负责干了啥1. 接收用户输入Dify 输入节点一句自然语言问题比如谁适合做可扩展的 Rust 项目2. 把问题向量化Voyage AI Embedding把问题变成向量方便按语义搜3. 向量检索MongoDB Atlas拿向量去库里比对捞出语义最相近的文档4. 重排序Voyage AI Rerank按和用户问题的相关度重新排把最相关的顶上来5. 格式化输出Dify 模板节点整理成能直接返回、或喂给下游大模型的格式这套模式其实就是大多数生产级 RAG 系统的底子与其把用户问题直接甩给大模型赌它刚好知道不如先去 MongoDB 里把相关信息捞出来再让下游的回答节点基于这些上下文生成更靠谱的回复。四、工作流每一步怎么拆新手也能调模板刻意把每一步拆成独立节点好处是你看得懂、调得动、换得掉。我按实际跑一遍讲讲1. 用户输入工作流从一个文本输入开始。可以是提问、搜索词、工单、项目描述任何形式的自然语言都行。举例What would be a good team to build scalable Rust applications? 谁能组成一个适合做可扩展 Rust 应用的团队2. 向量化问题输入丢给 Voyage AI 的 embedding 工具变成向量。重点搜东西的时候embedding 要用query 优化的模式。意思是告诉模型这是一句搜索意图而不是一段要被存起来的文档。模型懂了这层检索质量会明显好一些。[一句话解释同类模型通常区分query搜和document存两种向量模式搜的时候用 query 模式索引的时候用 document 模式两边对齐了才好搜]3. 去 MongoDB Atlas 里搜生成的查询向量丢给 Atlas Vector Search它拿去和集合里存好的文档向量比对返回最近的语义匹配。这里有两个关键旋钮{numCandidates:100,// 先粗筛多少候选越大召回越全越慢limit:10// 最终往前传几条下游真正用到的}numCandidates调大捞得全但慢调小快但可能漏。按你自己的数据量和体感去拧就行。4. 重排序第一步搜出来的 top 结果再丢给 Voyage AI 的 rerank 工具。它拿用户原问题和每条候选逐一对打按相关度重排。这一步在第一轮搜出一堆都像那么回事的时候特别值钱——它能帮你把真正回答用户问题的那几条顶上来别让无关的占了上下文。5. 格式化输出最后模板节点把重排后的文档整理成结构化输出。这个输出可以直接返回也可以当上下文喂给下游的大模型回答节点。所以这套模板很灵活单独当搜索管道用也行塞进更大的聊天机器人 / 工作流 / Agent 里当检索层也行。五、不用写代码的人能拼出哪些东西对非开发同学来说最大的爽点是可拼装。不用从零写 RAG 后端拖几个工具节点、连上线就行。能做出的东西包括但不限于知识库助手基于 MongoDB 里的文档回答问题客服 copilot搜历史工单推荐处理方案项目管理 Agent按技能和履历推荐团队上面那个例子文档搜索应用语义检索 全文检索混着用CRM / 客户助手捞出相关客户信息运营 Agent读 MongoDB产出结构化建议同一套积木既能拼简单工作流也能拼更自主的 Agent。区别只在于工作流是你定好步骤它照跑Agent 是你给它工具它自己决定什么时候搜、什么时候聚合、什么时候写回。六、写代码的人能得到什么开发者其实也省事。这两个插件把接 Dify 和 MongoDB / Voyage AI要手写的胶水代码请求、解析响应、调 embedding、跑数据库操作打包成了节点输入输出都清清楚楚。架构上也顺手做了清晰的职责分离环节谁负责向量化Voyage AI Embed 工具检索MongoDB Atlas Vector Search精度调优Voyage AI Rerank 工具格式化Dify 模板节点应用行为Dify 工作流 / Agent这种拆法调试和扩展都舒服调向量检索不用动重排序换 embedding 模型不用改 MongoDB 逻辑加个回答节点不用碰检索管线。各管各的。七、一个具体例子项目管理 Agent举个能落地的场景。用户问What would be a good team to build scalable Rust applications?Agent 可以用语义检索去 MongoDB 里翻相关的候选人、历史项目、技能、经验然后攒出一份推荐还顺带解释为什么这人合适。在 Dify 里你可以把 MongoDB 的工具和 RAG 工作流同时挂给 Agent。它既能搜文档、看结构化记录、跑聚合也能产出一份扎根在数据库结果上的推荐。这个模式之所以实用是因为业务数据很少只是静态文档——人、工单、客户、项目、任务、产品、事件都是会变的运营记录。MongoDB 让这些数据保持灵活、可查Dify 让 AI 工作流够得着它们。八、上手时几个别踩的坑从官方给的最佳实践加上我自己理解挑几条最实用的Embedding 模式要对搜的时候用 query 优化存的时候用 document 优化模型支持的话。两边对齐检索才灵。向量检索的召回和延迟自己拧numCandidates和limit直接影响质量和速度。先用默认再按数据和体感调。生成答案前先重排重排能压掉无关上下文答案更准、也更让人信得过。写操作增删改权限要收死MongoDB 的 insert / update / delete 工具很猛。给 Agent 用时权限、指令、范围都要卡细。很多应用先从只读开始等流程和边界想清楚了再加写能力。索引要和数据对上向量检索的 Atlas 索引要匹配你用的 embedding 字段和维度全文检索就索引用户常搜的字段。索引对了原型才像真产品。九、为什么我觉得这事值得关注说到底这次合作值钱的地方不是Dify 能调 MongoDB 了——这本来就能调。值钱的是一个 AI 应用的检索 数据交互整套模式现在整块住在 Dify 一个地方了。以前你要在可视化拖拽的快和生产级数据基建的稳之间二选一现在在同一块画布上两样都给你还能在每个应用里复用。对不想写代码的人是少卡壳、多试错对写代码的人是接口更干净、重复活更少。顺带提一嘴数据Dify 这个项目开源截至 2026 年 1 月 GitHub 上已经破了14.2 万 star算是开源生成式 AI 里最出圈的项目之一。MongoDB 那边是多年老牌开发者数据平台Atlas 把文档库、聚合、全文检索、多云向量检索都揉在一个架构里不用你再分别运维好几套数据库。怎么开始去 Dify Marketplace 把MongoDB Atlas和Voyage AI两个插件搜出来装上拖进工作流几分钟就能跑起一个能查真实数据的 Agent。想直接看成品官方那个 MongoDB RAG 模板 一键就能导入改改数据源就能用。参考原文Grounding Dify Agents in Real Data: MongoDB Atlas and Voyage AI Are Now Native to Dify RAG Workflows
 复杂度与逐行可视化)
