Dify で社内問い合わせ AI を作ってみた — 情シス・人事・経費の質問に答える 5 つの Knowledge A hands-on report on building an internal Q&A AI with Dify, covering IT helpdesk, HR, and …
Dify のノーコード AI ワークフローを活用し、情シス・人事・経費などの社内問い合わせに対応する RAG システムを 5 つの Knowledge ベースで構築した実践レポート。
English summary
- A hands-on report on building an internal Q&A AI with Dify, covering IT helpdesk, HR, and expense queries using five Knowledge bases and a no-code RAG workflow backed by Claude.
本記事は、中堅企業の社内問い合わせ対応を自動化するために Dify を用いて RAG（Retrieval-Augmented Generation）システムを構築した実践的な事例紹介です。情報システム、人事、経費、マニュアルなど複数の業務領域を対象に、それぞれ専用の Knowledge を用意することで、部門ごとの質問に精度よく回答できる構成を目指しています。
バックエンドの LLM には Claude が採用されており、Dify のノーコードインターフェースを活用することで、エンジニア以外のメンバーでもワークフローの調整が可能な点が特徴とされています。具体的な Knowledge の設計方法やチャンク戦略などの詳細は記事本文で確認することを推奨します。
This article documents a practical implementation of an internal helpdesk AI built with Dify, targeting a mid-sized company's common inquiry categories — IT support, HR policies, expense reimbursement, and operational manuals. The author structures the solution around five dedicated Knowledge bases, each scoped to a specific business domain, aiming to improve retrieval accuracy over a single monolithic knowledge store.
Claude serves as the underlying LLM, while Dify's no-code workflow interface reportedly lowers the barrier for non-engineers to maintain and iterate on the system. The article appears to cover RAG configuration details such as chunking strategy and retrieval tuning, though readers should consult the original Zenn post to verify implementation specifics and any performance benchmarks discussed.
本ページの本文・要約は AI による自動生成です。正確性は元記事 (zenn.dev) をご確認ください。
