DeepSeek+dify 本地知识库：真的太香了

群友一直希望我做一个dify的教程，我把去年的dify铲了，重新安装了一遍。同时以前的文章提问，以及群友的问题，我先做一个知识科普，不感兴趣的可以绕过这块。

5ycode

1690人浏览 · 2025-03-04 09:42:07

5ycode · 2025-03-04 09:42:07 发布

群友一直希望我做一个dify的教程，我把去年的dify铲了，重新安装了一遍。
同时以前的文章提问，以及群友的问题，我先做一个知识科普，不感兴趣的可以绕过这块。

知识科普

关于模型

大语言模型（LLM）是通过深度学习技术，基于海量历史文本数据训练出的概率生成系统。
能力边界

知识时效性：模型知识截止于训练数据时间点
推理局限性：本质是概率预测而非逻辑运算，复杂数学推理易出错（deepseek的架构有所不同）
专业领域盲区：缺乏垂直领域知识
幻觉现象：可能生成看似合理但实际错误的内容

更新机制

全量重训练：需重新处理TB级数据，消耗数千GPU小时（这个我们直接排除）
微调(Fine-tuning)：用领域数据调整模型参数，成本仍较高（这个也需要一定的成本）
上下文学习：通过提示词临时注入知识，但受限于上下文长度（这个我们通过外挂知识库实现）

综上，我们能做的更新机制就是给它通过提示词上下文临时注入知识。

关于知识库

维度	广义知识库	模型知识库
数据来源	外部结构化/非结构化数据（文档、数据库等）	预训练模型内嵌的知识（如GPT的训练数据）
更新方式	手动或API动态更新（如企业知识库）	依赖模型重训练或微调
知识范围	垂直领域或特定业务场景（如产品手册）	通用知识（训练数据截止时间前的信息）

我们之前说的知识库都是广义知识库。
在`关于模型`哪里我们说了，我们可以通过提示词临时注入知识，给大模型，但是大模型的上下文是有长度限制的，我们通过各种技术把最合适的内容挑选出来，然后给大模型。

关于嵌入模型

嵌入模型是一种将高维离散数据（文本、图像等）转换为低维连续向量的技术，这种转换让机器能更好地理解和处理复杂数据。

举一个例子来理解向量，你正在玩一个叫做"猜词"的游戏。你的目标是描述一个词，而你的朋友们要根据你的描述猜出这个词。你不能直接说出这个词，而是要用其他相关的词来描述它。例如，你可以用"热"、“喝”、“早餐"来描述"咖啡”。嵌入模型就是将一个词转化为其他相关词的专用模型。

“热”、“喝”、“早餐” 可以理解为向量。不过向量值是在向量空间的特定位置，在这个空间里语义相近的词会自动聚集起来。所以就有了相似度的概念，相似度越高，越匹配。

我们使用的bge-m3 只能向量化出1024维。

 ollama show bge-m3:latest
    architecture        bert
    parameters          566.70M
    context length      8192
    embedding length    1024
    quantization        F16

为什么没有匹配到知识

知识预处理
1，上传文档
2，将文档分割成适当大小的文本块
3，使用embedding模型将每个文本段转换为向量
4，将向量和原文存储到向量数据库中

. 查询处理阶段

1，将用户输入问题转换为向量
2，在向量库中检索相似内容
3，将检索到的相关内容作为上下文提供给LLM

我们用的本地应用工具，一般都是粗粒度分段，向量化的质量没法保证。

本地知识库安全吗？

根据上一步，我们可以知道本地知识库+本地大模型是安全的。

本地知识库+远端api的大模型，会把片段上传。

dify

前提条件

假设你已经安装了docker，docker安装不同的架构安装方式不一样，这里就不做教程了。
已经登录了docker

安装完docker以后，记得调整docker镜像的存储地址。

已经安装了docker，并且登录了
已经安装了git
win上docker安装地址：
https://docs.docker.com/desktop/setup/install/windows-install/#wsl-2-backend

安装

下载dify

通过官网下载，如果你没有魔法，可以从网盘里那对应的

# 进入要下载的目录，打卡命令提示行工具，cmd或者powershell
cd E:\ai\code
#下载
git clone https://github.com/langgenius/dify.git
# 国内镜像站
https://gitee.com/dify_ai/dify

如果没有git环境，可以直接从网盘下载压缩包。

我们下载以后，只关注docker文件夹和README_CN.md即可。

清理（非必须）

由于我的dify安装的比较早，是0.7.x版本，为了给大家演示，就把原来的铲了。如果你以前安装过dify，使用以下命令清理历史镜像

cd docker 进入目录
# 清理历史镜像
docker-compose down -v --rmi all

创建配置

我们进入dify目录下的docker目录中,比如我的
E:\ai\code\dify\docker

# 以示例创建一个.env的文件，执行下面命令
cp .\.env.example .env

修改dify绑定ip
API 服务绑定地址，默认：0.0.0.0，即所有地址均可访问。
刚开始我以为是控制dify对外暴露的服务的，改成了127.0.0.1,然后出现以下的502，折腾了我快3个小时。

修改端口（非必须）
默认占用的是80和443端口，如果你本机已经部署了其他的应用，占了该端口，修改.env文件中的下面两个变量

EXPOSE_NGINX_PORT=8001
EXPOSE_NGINX_SSL_PORT=8443

上传文件大小
默认上传图片大小是10MB,上传视频大小是100MB,文件默认是50MB,如果有需要修改下面对应的参数

# Upload image file size limit, default 10M.
UPLOAD_IMAGE_FILE_SIZE_LIMIT=10
# Upload video file size limit, default 100M.
UPLOAD_VIDEO_FILE_SIZE_LIMIT=100
# Upload audio file size limit, default 50M.
UPLOAD_AUDIO_FILE_SIZE_LIMIT=50

启动dify

docker compose up -d

启动以后在docker Desktop中查看，

设置管理员与登录

http://127.0.0.1:8001/install

填写相关信息，设置管理员账户。

设置成功以后，登录

设置模型

1，点击右上角的账户
2，点击设置

本地模型设置

1，点击模型供应商
2，下拉找到ollama
3，点击添加模型

添加对话模型

按照步骤添加模型即可，注意模型上下文长度，可以通过ollama show 模型名称查看，如果你经常用大文本，就直接调到最大值。需要注意的是dify，上传文件是有大小限制的。

关于ip

我使用的是本地docker虚拟网络，如果你ollama设置了OLLAMA_HOST为0.0.0.0 需要注意网络安全，防止外网有人能访问。我是将我的ollama绑定到了局域网ip上了。

添加向量模型

1，注意选择text embedding

系统模型设置

1，点击系统模型设置
2，选择已经配置的模型，当然建立知识库的时候，也可以切换
3，选择向量模型
4，保持

在线api模型配置

腾讯模型配置（免费到2月25日）

没找到对应的模型供应商，直接选择openai兼容的模型供应商。

按步骤填写即可。
2，模型名称选择deepseek-r1
3，api key 填写自己的即可
4，填写地址：https://api.lkeap.cloud.tencent.com/v1

硅基流动添加

找到模型供应商，点击设置，配置下密钥就可以了。

模型供应商
配置好以后，我们可以在模型列表那里看到所有的模型

最终系统模型设置

知识库设置

创建知识库

分段

dify的分段有个好处，设置分段以后，可以实时预览，可以根据预览效果，自己实时调整分段策略。`dify建议首次创建知识库使用父子分段模式。

通用分段（原自动分段与清洗）

关键点：
1，默认\n作为分段标识
2，最大分段长度为4000tokens，默认为500tokens
3，分段重叠长度，默认为50tokens，用于分段时，段与段之间存在一定的重叠部分。建议设置为分段长度 Tokens 数的 10-25%；
4，文本预处理规则：用于移除冗余符号、URL等噪声
5，这里还有一个点，向量模型会自动按段落或语义进行切分，也就是大家分段以后内容缺失的根因。

适用于内容简单、结构清晰的文档（如FAQ列表）

父子分段

父子模式采用双层分段结构来平衡检索的精确度和上下文信息,让精准匹配与全面的上下文信息二者兼得。
关键点
1，父区块（Parent-chunk）保持较大的文本单位（如段落），上下文内容丰富且连贯。默认以\n\n为分段标识，如果知识不长，可以以整个作为父区块（超过1万个分段就直接被截断了）。
2，子区块（Child-chunk）以较小的文本单位（如句子），用于精确检索。默认以\n为分段标识。
3，也可以选择噪音清理
4，在搜索时通过子区块精确检索后，获取父区块来补充上下文信息，从而给LLM的上下文内容更丰富

以句子为最小单位，向量化以后向量匹配的准确度会极大的提升。

官方示意图如下：

1，我们可以不断的调整参数，预览下，看下实际效果，

索引模式

索引模式有两种。分别是高质量索引和经济索引

高质量索引

适用场景：需要高精度语义检索（如复杂问答、多语言支持）。
- 实现方式：依赖嵌入模型生成向量索引，结合 ReRank 模型优化排序。
- **适用文档：**格式化文档，如表格、技术手册

我们看下官方推荐的配置

1，选择高质量
3，选择向量模型
4，选择系统推荐的混合检索
5，选择Rerank模型，并选择对应的rerank模型

经济索引

适用场景：预算有限或内容简单（如关键词匹配为主的FAQ）。
- 实现方式：使用离线向量引擎或关键词索引，无需消耗额外 Token，但语义理解能力较弱。
- 优化建议：可通过调整 TopK（返回相似片段数量）和 Score 阈值（相似度过滤）平衡召回率与准确率。
- **适用文档：非结构化文本，如会议记录

使用

创建应用

点击工作室，我们可以看到有很多丰富的应用，包括聊天助手、agent、工作流等
我们选择最简单的应用，聊天助手，点击5，创建空白应用

添加知识库

知识库可以一次选多个，我们只选择三国演义。

召回设置

1，选择Rerank模型
2，选择相关的模型
3，设置召回数量（文本片段数量）
4，相似度匹配，设置0.7

调试与预览

1，输入聊天内容
2，点击发送
3，调试成功以后可以点击发布

发布以后有多种适用方式。

返回工作室以后，我们可以发现已经有对应的应用了。

后记

后续我会分享dify相关的高级功能。

系列文档：

关于我

资深全栈技术专家 | 互联网领域十年架构
技术纵深：高并发架构 | 应用调优 | 分布式系统
技术版图：Java/Vue/Go/Python
管理沉淀：8年技术团队管理 | 百万级DAU经验
专注输出：
✓ 架构思维 × 技术管理 × 全栈实战
✓ 新技术应用 × 行业趋势前瞻

📢【三连好运 福利拉满】📢

🌟 若本日推送有收获：
👍 点赞 → 小手一抖，bug没有
📌 在看 → 一点扩散，知识璀璨
📥 收藏 → 代码永驻，防止迷路
📤 分享 → 传递战友，功德+999
🔔 关注 → 关注5ycode，追更不迷路，干货永同步

💬 若有槽点想输出：
👉 评论区已铺好红毯，等你来战！

DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐