RAG（检索增强生成）这个概念，说白了，就是给大语言模型配了个“外设知识库”。它通过动态调用外部数据，让模型回答更准、更新、更靠谱，有效解决了大模型满嘴跑火车（即“幻觉”）和知识陈旧的问题。下面我们先拆解一下它的核心。
技术原理与流程
RAG的工作流程很清晰，拆开来看就是三步走：
- 检索（Retrieval）：根据用户的问题，从一个事先建好的知识库（比如用向量数据库）里，把相关的文档片段捞出来。这就像汽车客服系统里存了车型参数手册，你的问题来了，它就去手册里找最匹配的章节。
- 增强（Augmentation）：把检索到的信息作为上下文，和原始问题打包，一起喂给生成模型。这一步相当于给模型的“记忆”做了个外部扩展，让它能基于最新、最专有的数据来思考。比如在医疗诊断中，RAG可以实时拉取最新的医学论文，帮助生成诊断建议。
- 生成（Generation）：大语言模型结合上下文和问题，生成最终的回答。因为有检索到的事实信息兜底，模型输出不仅准确率大增，胡编乱造的概率也大幅降低。企业客服就是靠这个，一边引用内部文档生成合规回答，一边还能防止敏感数据外泄。
核心优势
那么，这套“外设”到底好在哪？几个核心优势很明显：
- 知识时效性：大模型训练数据有截止日期，但RAG可以动态调用外部知识库，实时抓取新闻、政策更新等，确保信息不过时。
- 领域适应性：通过定制一个专属知识库，比如法律条文库或医疗指南库，就能让通用的“万金油”模型，快速变成某个垂直领域的专家。
- 减少幻觉：回答是基于检索到的事实生成的，这从根本上降低了模型胡言乱语的风险，可信度自然就上去了。
- 成本效益：想扩展模型的知识范围？不用重新训练它，代价高昂的算力和时间成本都能省下来。
应用场景
道理讲完了，看看RAG在实际中都能干些什么：
- 智能客服：对接企业知识库，精准回答产品故障、政策咨询等问题。
- 医疗诊断：整合医学文献和患者数据，辅助医生做决策。
- 金融分析：调用实时市场数据生成投资报告，保证信息时效性。
- 教育问答：基于教材和学术资源，生成知识点解析。
之前一直没详细讲Dify的知识库检索，说实话，Dify在这块以前做得一般，跟同类的RAG方案比相对弱一些。考虑到这块知识确实有缺口，今天就来补上，重点看看在Dify的AI Agent和工作流里，怎么用好知识库。
先看AI Agent里的知识库检索。
通过知识库检索到视频地址，我们打开验证，发现地址是对的。
接下来看看Dify知识库工作流。
这个工作流检索的是《清华大学第一弹：DeepSeek从入门到精通.pdf》这份文档。
通过这两个案例，我们可以看到如何用Dify实现知识库增强检索。下面，我们逐一拆解。
2. 模型配置
关于模型配置，之前发现有些小伙伴对大语言模型、向量模型和重排模型的关系还有点懵。这里我们就重点演示一下后两者的配置。
什么是向量模型
向量模型是一种数学模型，它的核心是把文本、图片等数据“翻译”成一个高维空间里的向量，方便计算机去做分析和计算。在RAG的语境下，它的任务就是把知识库里的文档转成向量。
简单来说，我们需要先对知识库文本做向量化，这样后续才能做相似度检索。相似度越高，检索出来的内容就越精准。比如我们输入“Deepseek能够做什么？”，我们希望模型是基于知识库里的内容来回答，而不是胡诌。所以，我们得先把这句话也转成向量，再到向量化的知识库里做相似度匹配。匹配上最相关的上下文后，再发给大模型总结并返回给用户。这样一来，我们收到的信息就跟知识库里的内容高度相关了。
在Dify的模型厂商设置里，我们需要添加支持 TEXT EMBEDDING 的模型。以“标准OpenAI-API-compatible”为例来演示。
添加这一步完成后，Dify就有了向量模型。目前硅基流动、阿里、智谱、火山引擎、gitee ai都支持，国外的OpenAI、OpenRouter也有。只要模型中带有TEXT EMBEDDING字样，就表示支持向量化。
什么是Rerank 模型
Rerank模型，也叫重排模型。它的作用是“二次优化”。为什么要用它？因为向量模型检索总有不那么准的时候，特别是当文档内容高度相似时，排在第一位的很可能不是我们最想要的答案。
这时候，就需要Rerank模型出场了。它会对第一次检索出来的相似结果进行重新评分和排序，让最相关的内容优先展示，从而提升查询的准确性。当然，这俩模型组合起来也解决不了所有知识库的准确性问题，这里就先不展开了。
同样，我们以“标准OpenAI-API-compatible”为例，选择Rerank类型。
上面提到的那些模型厂商也都提供Rerank模型。具体怎么找呢？以硅基流动的模型市场为例。
进入硅基流动，选择“嵌入和重排”。
这里会显示出嵌入模型（也就是向量模型）和重排模型，大部分是免费的。大家可以根据自己的需求选择。免费模型一般会有限速，追求稳定的话，可以选收费的Pro模型。这两个模型对Token的消耗非常低，10块钱能用很久。
以上两个模型在Dify里设置好后，最好在“系统模型”里优先选定，方便后续使用。
模型配置完成后，我们就可以开始创建知识库了。
3. 知识库创建
点击Dify最上方的“知识库”，然后“创建知识库”。
进入创建页面后，选择数据源。目前支持三种方式：1. 导入已有文本、2. 同步自Notion内容、3. 同步自Web站点。因为我们导入的是私有化知识，所以选“导入已有文本”。支持的格式很丰富，包括TXT、Markdown、PDF、Excel、Word等。
选择文件后，点击下一步。
接下来会出现“文本分段与清洗”的设置界面。这里可以配置：
- 分段设置：可以选择自动分段和清洗，也可以自定义。
- 索引方式：有高质量、经济型、以及采用Q&A分段模式。
- Embedding 模型：选择之前系统设定好的向量模型。
- Rerank 模型：可以开启或关闭。
- 检索设置：包括向量检索、全文检索、混合检索。Dify新增的“父子检索”其实就是混合检索，效果会更好。如果不熟悉，点默认设置就行。
设置完成后，点击“保存并处理”。
当画面出现“嵌入完成”，就表示文档向量化成功了，知识库已经就绪。
4. AI Agent 知识库
回到工作室，点击“创建空白页面”，选择“Agent”，给它起个名字。
进入AI Agent的配置页面。
这里我们需要用到知识库，所以在“上下文”里添加我们刚建好的知识库。
添加完成后，就可以针对这个知识库进行对话了。
5. 知识库工作流
工作流搭建
回到工作室，点击“创建空白页面”，选择“Chatflow”，给它起个名字。
进入工作流编辑界面，我们可以在大语言模型节点中间添加一个“知识检索”节点。
打开知识检索节点，点击“知识库”添加我们刚建好的知识库。
添加完成后，下一个节点我们对接大语言模型（LLM）。
在LLM节点的“上下文”中，选择“知识检索”的 `result` 输出。
在“系统提示词”里，输入类似这样的提示词：
请根据文本内容{{#context#}}回答
其他设置可以保持默认，最后连接一个“直接回复”节点。
这样，一个简单的知识库工作流就搭建完成了。这个工作流相对简单，主要是为了演示知识库的原理和知识检索工作流组件的用法。其他组件的用法，可以参考之前的文章，这里就不展开了。
工作流测试
通过以上两种方式，我们完成了知识库在Dify中的两种主要用法：AI Agent和工作流。