1.配置嵌⼊模型和reranker模型
右上角个人头像—>设置—>模型供应商—>模型列表
硅基流动里面打开重排序模型BAAI/bge-reranker-v2-m3和嵌入模型BAAI/bge-m3，也可以用netease-youdao/bce-reranker-base_v1和netease-youdao/bce-embedding-base_v1，都是免费的
为什么选择这两个模型：因为是免费的，大家可以选择自己的模型
2.创建知识库
STEP1：选择数据源
这里我选择一个文本
Notion国内很少用
Web网页是通过爬虫读取网页内容
上传好文件后，点击【下一步】
STEP2：文本分段与清洗
- 分段设置
为解决长文本表示问题，RAG系统普遍采⽤分段策略
普通分块：
通过固定⻓度分割，如每段500字，在结合Embedding模型将⽂本转换为向量
优点：
1. 灵活性⾼：适⽤于通⽤⽂档，⽀持多源数据，如PDF、Word、网页等
2.检索效率平衡：混合检索结合向量与关键字匹配，召回率提升30%
3.通⽤知识库构建（如企业文档管理）和需要快速响应混合检索的问答系统
缺点：
1.上下文割裂：固定长度分块可能导致语义不连贯
2. 资源消耗较大：⾼质量模式依赖Embedding模型，需较高算力
父子分段：
用户可以自己定义分块层级，例如将文档按章节划分⽗块，再对每章内容进⾏子块分割。允许用户⼿动调整分块大小和清洗规则
优点：
1.语义连贯性：层级结构保留上下⽂关系
2.灵活可控：适⽤于结构化⽂档（如技术⼿册、合同）
3.适⽤法律合同解析（按条款分层）和学术论文检索（按摘要、正文、参考⽂献分级）
缺点：
1.开发成本⾼：需人工标注或规则设计
2.扩展性差：难以适应⾮结构化数据
- 索引方式
下拉选择BAAI/bge-m3，索引方式选择推荐的 “高质量”
- 检索设置
检索方式选择推荐的 “混合检索”
选择重排序模型：BAAI/bge-reranker-v2-m3
调整Top k：是指重排序后选择前几个，一般选择前3个就行，3个之后关联度很低
Score 阈值：是指重排序过程中给检索结果打的分，在0-1之间，这个设置的意思是指低于多少分的检索结果不选，默认0.5，可以自己设置。
STEP3：保存并处理
至此设置已经完成，点击【保存并处理】，dify知识库会根据之前的设置完成文档分段，然后将每段数据向量化后存入数据库
点击 “前往文档”，可以跳转到文档列表，可以再次新增文档，还可以重命名，归档、删除文档
回到知识库tab页，可以看到已经添加的知识库
点击【设置】可以设置知识库名称
3.召回测试
在文档列表左侧有 “召回测试”入口
4.创建ChatFlow问答机器人
- 新建ChatFlow
新建的Flow有默认节点，如下图
- 新增节点：知识检索
- 设置知识检索节点
添加知识库：
召回设置：
- 设置大模型节点
上下文：选择知识检索结果
SYSTEM里要引用上下文
- 预览
完成上面的设置后，可以通过预览看下效果：
