Dify中RAG通过文档预处理（语义切块）、向量化索引（嵌入模型+向量库）、三步检索（查询向量→ANN搜索→重排序）及生成约束（引用溯源+未命中禁编造）四步实现精准问答。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要让Dify中的大模型回答准确、不编造、还能用上你上传的最新PDF或内部文档，必须搞懂RAG在Dify里是怎么一步步把知识“塞”进模型嘴里的。这不是简单丢个文件就完事，而是从文档切片、向量化、检索匹配到最终生成，环环相扣，漏掉一步就可能返回错误答案。
文档预处理：切块不是随便分段
第一步是把原始文档（PDF/Word/TXT）拆成语义连贯的小片段。Dify默认按512 token切分，但关键在于不能切断句子或表格结构。例如一段景区开放时间说明：“周一至周五 8:00–17:00，周六日及节假日 8:00–18:00”，若在“周五”后硬切，后半句被单独索引，检索“节假日开放时间”时就无法召回完整信息。
手动上传前，建议先用文本编辑器检查是否含乱码、页眉页脚、扫描PDF的OCR错字——这些噪声会直接污染向量表示。
这一步操作起来很简单，直接把文件拖进Dify知识库上传区即可，系统自动触发解析流程。
向量化与索引构建：让文字变成可搜索的“坐标”
方法一：Dify内置嵌入模型自动处理
上传完成后，Dify调用默认嵌入模型（如bge-m3）将每个文本块转为高维向量，并存入内置向量数据库（Chroma）。无需配置，等待状态栏显示“已就绪”即可进入下一步。
方法二：自定义嵌入模型（高级用户）
进入【知识库】→【设置】→【嵌入模型】，切换为本地部署的BGE或OpenAI text-embedding-3-small。注意：更换模型后必须重新处理全部文档，否则新旧向量混存会导致检索失效。
向量数据库不支持SQL式查询，它只认“相似度”。余弦值越接近1.0，语义越贴近。比如用户问“退票怎么扣钱”，即使文档写的是“门票退款手续费”，也能靠向量空间距离被捞出来。
检索阶段：三步锁定最相关片段
第一步：用户输入问题，Dify实时调用同一嵌入模型，将其转为查询向量。
第二步：在向量库中执行近邻搜索（ANN），默认返回top-3最相似文本块。
第三步：对结果做重排序（Rerank），使用交叉编码器二次打分，把真正语义匹配的片段往前顶——这步能显著压低关键词巧合匹配（如“苹果手机”搜出“苹果园介绍”）的误召率。
检索结果不会原样输出，而是作为上下文拼接到系统提示词末尾，格式为：```【参考信息】{文本块1} {文本块2}…```。
生成阶段：模型只许“照着念”，不许“自己编”
系统将原始问题 + 【参考信息】块 + 预设Prompt（含角色、格式、禁令）一并喂给LLM。Dify默认启用“引用溯源”开关，生成答案中每个事实性陈述都会标注来源块编号。
若检索未命中任何片段，且Prompt中设置了“未检索到则回复‘请咨询人工客服’”，模型绝不会强行编造。这是抑制幻觉最关键的闸门。
这一步不可跳过：必须在应用编排中开启【启用RAG】并绑定对应知识库，否则所有输入都走纯LLM路径，完全不触碰你传的文档。
