Dify 是一个开源的 LLM 应用开发平台，提供了知识库、RAG 管道、智能体与工作流编排等功能 。 

不过，虽然 Dify 的工作流编排能力有口皆碑，但是其内置知识库的能力却与之不相称。

在真实业务场景中，Dify 处理复杂的文档，尤其是 PDF（含表格、图片、多栏排版），还是有些不足。

• 解析深度有限。主要抽取纯文本，没有保留完整的表格行列关系、图片语义、页眉页脚信息等。  

• 检索策略单一。虽支持向量+关键词混合搜索，但无法按业务权重动态调整，亦缺乏自定义重排序逻辑 。  

这就导致 Dify 内置知识库的召回性能，难以满足企业级应用的需求。 

好在 Dify 是一个开放平台， 它也提供了对接外部知识库的功能，不过其 /retrieval 端点与字段要求固定，无法按需增加自定义参数，实际性能和可扩展性均受限。

因此，我们需要更好的方案。

 1 .Dify x ThinkDoc 方案

在企业级应用需求的场景下，我们采用 Dify 的编排与交互能力，将解析与检索环节外接至 ThinkDoc 知识库，通过 HTTP 直调 API 实现多模态精准召回。

 2 .仅需三步迅速成效

第一步： ThinkDoc 侧准备

1. 登录 ThinkDoc → 创建知识库 → 上传文件。   

   - https://doc.bluedigit.ai

2. 在知识库页面，复制知识库ID

   - Knowledge ID：6871xxxxxxxx

3. 在用户账号页面，创建API密钥： 

   - API Key：td-xxxxxxxx

第二步： Dify 工作流配置

在 Dify工作室，我们选择创建空白应用，然后选择 Chatflow。

随后，我们在开始与 LLM 这两个节点间，增加一个 HTTP请求 节点，这样，我们就创建一个最简单的RAG工作流。

这个新增的 HTTP 请求 节点，参数如下：

POST https://doc.bluedigit.ai/api/retrieve

Headers 

Authorization的键值，请填入刚才创建的 API 密钥：td-xxxxxxxx。

{  "Authorization": "Bearer td-xxxxxxxx",  "Content-Type": "application/json"}

Body

选择raw，填入以下信息，使用刚才获得的知识库ID 6871xxxxxxxx。​​​​​​​

{  "query": "{{#sys.query#}}",  "kb_ids": ["6781xxxxxxxx"],  "retrieval_setting": {    "top_k": 10,    "score_threshold": 0.1,  }}

以上在 Dify 中的 HTTP 请求 节点的配置，如下图所示：

LLM 节点的配置  

我们需要在 LLM 节点，配置系统和用户提示词，并在提示词的合适位置添加上下文和用户查询变量：

第三步： 效果验证

我们在知识库中，上传了一份《大卫说流程》Word文稿，随后在 Dify 工作流的预览界面输入问题：

流程有哪些特征？

很快，系统返回如下回答：

整个工作流的执行情况如下图所示：

可以看到，这个最简单的RAG工作流，非常快速和准确地找到了相关信息，并通过LLM生成了回答。

 3 .灵活调整参数

基于 ThinkDoc 强大的文档解析和融合检索能力，我们还可以进一步扩展。

• 多知识库联合检索： kb_ids 参数值为数组，可以填入多个知识库ID；如果填入空数组[]，那么将默认在用户的所有知识库中检索。

• 动态阈值：根据检索结果测试的情况，调整 score_threshold，兼顾检索的精度与召回率。

如何使用 ThinkDoc 的混合检索与重排序功能呢？

我们只需在 HTTP请求的 Body 中增加以下参数：query_type、rerank、top_n。

  {    "query": "{{#sys.query#}}",    "kb_ids": ["6781xxxxxx"],    "retrieval_setting": {      "top_k": 10,      "score_threshold": 0.1,      "query_type": "hybrid",      "rerank": true,      "top_n": 3    }  }

如果你仔细研究 ThinkDoc 返回的检索结果，可以发现更为丰富的图片、文字、元数据和来源信息（详情参见 API 文档）。

我们可以惊喜地发现，这个用 Dify 工作流编排的 RAG 系统，将可以生成图文并貌的回答，还可以列出参考资料、准确地标注引用来源。

综合以上，对于需要解析表格、图片、复杂排版的生产级场景，本文介绍的 Dify 通过 HTTP 直调 ThinkDoc API 方案， 是效果出色与可扩展的优选方案。

您可以查阅官方文档进一步了解：  

• Dify 外部知识库

  https://docs.dify.ai/zh-hans/guides/knowledge-base/connect-external-knowledge-base

• ThinkDoc API

  https://doc.bluedigit.ai/api/redoc

4.AI大模型学习路线

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓