小白也能懂：Dify知识库配置与知识检索节点

在Dify应用里，知识库就像是给 AI 配备的一个检索来源库，可以通过知识检索节点让AI从我们创建的知识库中寻找答案。尤其是对于一些严谨，具体到自己的某些产品服务，通过 RAG（检索增强生成）技术，你可以让 AI 摆脱“胡说八道”，让它基于你上传的专业文档、产品手册或个人笔记来回答问题。

下面我们将分两步，带你从零建立知识库，并学会如何在工作流中使用它。

一. 创建知识库

在 Dify 首页点击顶部的 “知识库” 标签，点击 “创建知识库”。

1.1 导入数据

Dify提供了多种导入方式：

• 可以直接通过文件/文本txt或者word文档。
• 安装Notion插件，直接从你的Notion笔记中导入。
• 用Dify提供的爬虫工具从网页抓取。

最简单的就是文件导入，其他的方式需要配置一下，不过也简单，按照步骤提示就可以。

小白贴士： 尽量保证文档内容清晰。如果是杂乱的网页内容，建议先手动整理成干净的文本。

1.2 通用分段

AI 大模型（LLM）每次能处理的信息量是有限的，所以文件导入之后还需要对原来的内容进行切分，方便之后的索引。

• 如果不分段： 你上传一份 10 万字的手册，直接塞给 AI，它会因为超过“Token 限制”而罢工，或者出现“中间丢失”现象（只记得开头和结尾，忘了中间）。
• 分段后： 我们把文档切成 500 字左右的小块，AI 只需要阅读与问题最相关的几块，效率极高。
• AI 是按字数（Token）收费的。如果每次回答都要把整个文档读一遍，比较费Token。通过合理的分段，AI 每次只阅读最相关的3-5个片段，这能极大地降低单次对话的成本。

1.3 分段设置

• 分段标识符（Delimiter）：\n\n 代表两个换行符。它的意思是：“只要看到文档里空了一行，就从这里切断。”这通常是段落结束的地方。如果你希望切得更细，可以改成 \n（看到换行就切）。
• 分段最大长度（Max Chunk Length）：每一分段的最大长度。如果一个段落特别长，超过了1024个字符，这个时候即使没有换行分段也会被切断成2部分。通常建议在500-800即可。
• 分段重叠长度（Chunk Overlap）：相邻的两段之间，要留下多少“重合”的内容？主要是防止重要的信息被切分，这样第一段的末尾 50 个字会重复出现在第二段的开头，AI 在读任何一段时，都能保留一点上一段的“上下文”记忆。
• 文本预处理规则（Cleaning Rules）：
  • 替换连续的空格、换行符： 把文档里没用的乱码和多余的空白删掉，让剩下的全是纯干货，帮你的 AI 节省内存（Token）。
  • 删除所有 URL 和电子邮件地址： 如果你的文档里有很多没用的链接或邮箱，勾选它。如果这些链接是重要参考资料，就不要勾选。
• 使用 Q&A 分段（QA Segment Mode）：这是一个非常强大的功能！Dify 会先读一遍你的文档，自己模拟出用户可能问的问题和对应的答案（比如：“问：这台机器怎么开机？答：按红色按钮”）。

1.4 父子模式

这种模式“大块包小块”。子分段很小，用来让 AI 精准搜索；父分段较大，当AI定位到子分段的位置会联系对应的父分段（简单来说就是参考上下文）给出较完整的答案。

• 分段长度： 建议设置在500-800字符左右。太短了信息支离破碎，太长了 AI 容易抓不住重点。
• 重叠长度（Overlap）： 建议设为50-100字符。这就像拼图，两块之间留一点重合的部分，防止核心信息刚好被“切断”。

1.5. 索引方式

索引方式分为高质量和经济两种，这直接决定了 AI 搜索知识的“智商”和你的“钱包”支出。

只有上面的分段是通用才能选择经济，父子分段默认就是高质量索引。

高质量模式：它会调用 Embedding（嵌入）模型（如你图中显示的 bce-embedding-base_v1）。它不只是看文字长得像不像，而是把文字转化成一串数字（向量），去理解意思。

• 通俗理解： 如果你搜索“发热”，高质量模式能帮你搜到“感冒、体温升高”的内容。因为它知道这些词虽然长得不一样，但意思相近。
• 优点： 检索非常精准，语义理解能力强，AI 生成的答案更有深度。
• 缺点： 会消耗 Token。因为把文字转成数字这个过程需要调用外部模型扣费（虽然通常很便宜）。

经济模式：它不使用嵌入模型，而是为每个数据块提取 10 个关键词。搜索时，它就像我们在电脑里用 Ctrl + F 搜文件名一样，完全靠关键词碰撞。

• 通俗理解： 如果你搜“发热”，但文档里只有“感冒”，经济模式可能就找不到了，因为它觉得这两个词没一个字母是重合的。
• 优点： 完全免费！ 不消耗任何 Token。
• 缺点： 检索准确性较低，容易“答非所问”。

重要提示： 截图里有一行橙色的警告——“使用高质量模式进行嵌入后，无法切换回经济模式”。这意味着如果你之后想省钱，只能删掉这个知识库重新建一个。

1.6 小白怎么选？

高质量是请了一个“懂行的人”帮你翻书，他知道你要找什么；经济模式是请了一个“只认字的人”帮你翻书，你得说出具体的词他才能找对。

1.7 检索设置

分段是整个流程的基石，它的目的是将长篇大论处理成 AI 容易消化的尺寸。索引将这些分段排序分类。最后的检索就是使用的时候精准把资料调取出来。

• 向量检索 (Vector Search)：
  • 原理： 把问题转成数字，去搜意思相近的内容。
  • 举例：如果你搜“苹果”，它能理解你想找“水果”或“iPhone”，而不是字面上必须有“苹果”两个字。
• 全文检索 (Full-Text Search)：
  • 原理： 经典的关键词匹配。
  • 理解： 你搜什么，它就在文档里找到一模一样的词。
• 混合检索 (Hybrid Search)：
  • 原理： 同时运行上面两种方式，再把结果合在一起。
  • 理解： 既保证意思对得上，又保证关键词没搜错。

如果你选择了【混合检索】，下面还有权重设置和Rerank模型。

• 权重设置：决定了 AI 在搜索时更偏向于“理解意思”还是“匹配字词”。
• Rerank 模型：混合检索会先从库里粗略选出一批候选片段。开启 Rerank 后，系统会调用一个更聪明的模型（如bce-reranker-base_v1）把这些候选片段和用户的问题放在一起深度对比，重新打分排序。负责剔除不相关的，把最有价值的答案排到第一名。
• Top K：将选出的片段只取最匹配的前N个，通常3-5个即可。
• Score 阈值：搜索出来的片段和问题的匹配度。
  • 如果设为 0.5：系统搜到的知识片段，相似度必须达到 50% 以上才会送给 AI。如果相似度只有 20%，系统会认为这属于“强行匹配”，直接扔掉。
  • 防止 AI “一本正经地胡说八道”。如果不设阈值，即便库里完全没有相关知识，AI 也会强行抓几个最不沾边的段落来回答。

举例：假设你问：“WordPress 怎么联系站长？”

1. 系统先根据 Top K 选出前 3 名候选项。
2. 然后根据 Score 阈值 检查这 3 名：
   • 第一名：相似度 0.9（合格）
   • 第二名：相似度 0.7（合格）
   • 第三名：相似度 0.3（不合格，被踢出）
3. 结果： 最终只有 2 段高质量的知识会被递交给 AI。

上面这些参数都设置好了就点击处理按钮，然后它就对你的资料进行处理，可能会花一些时间。

处理好之后点击【前往文档】查看，这样我们一个知识库就已经做好了。

二. 知识检索节点

有了知识库，接下来需要在工作流当中使用——知识检索节点。

2.1什么是知识检索节点？

简单来说，它的作用是：接收用户的问题 -> 查阅选定的知识库 -> 抓出最相关的内容 -> 输出给后续节点（通常是 LLM 大模型）。

2.2 参数

• 查询文本：也就是用什么内容去检索资料库，一般选择开始节点中用户输入的内容。
• 知识库：就是我们前面创建的。

它的参数不多，但是后面引用知识库的时候也要注意。

2.3 LLM节点中引用

将 “知识检索” 的输出端，连向 “LLM” 节点的输入端。

上下文里选择知识检索的输出（result），并且在下面的SYSTEM提示词里也要引用上下文，也就是上面截图中紫色的。

如果你只希望AI大模型根据资料中的内容回答的话，在 LLM 的提示词框里一定要加上：

“你是一个专业的建站助手。请根据以下提供的【背景知识】来回答用户的问题。如果【背景知识】里没有相关内容，请诚实告知。

【背景知识】：

{{context}} <– 这里引用刚才的检索结果变量

用户问题：{{sys.query}}”

三. 常见问题

1. 回答没用上知识库： 检查 LLM 节点的“上下文”里是否真的引用了检索节点的输出。
2. 搜出来的东西不准： 回去知识库调高 Rerank 的优先级，或者检查分段长度是否切得太碎，导致信息不完整。
3. 总是提示“未找到相关内容”： 检查你的 Score 阈值 是不是设得太高了（比如设了 0.8），可以尝试调低或直接关闭。

知识检索节点是连接“你的私人数据”和“AI 大脑”的重要桥梁。你只需要记住：选对输入（用户问什么）、选对知识库、在LLM引用。

© 文章版权归白小菌所有，🫰欢迎转发分享。未经允许请勿抄袭转载。