手把手用DeepSeek + Dify 搭建本地知识库

DeepSeek + Dify 的知识库构建功能确实强大，有多种分段索引模式可选，里面还有不少可以深入研究的东西，后续会慢慢整合更新～

源码屋org

558人浏览 · 2025-03-27 22:16:32

源码屋org · 2025-03-27 22:16:32 发布

之前讲过 DeepSeek

+ Cherry 搭建本地知识库，这样的知识库比较初级，上传的文件限制较多。无法满足更多个性化需求。今天我们来看看 DeepSeek + Dify 如何搭建自己的知识库。

Dify 作为同样开源的 AI 应用开发平台，提供完整的私有化部署方案。通过将本地部署的 DeepSeek 服务无缝集成到 Dify 平台，企业可以在确保数据隐私的前提下，在本地服务器环境内构建功能强大的 AI 应用。

以下是私有化部署方案的优势：

性能卓越：提供媲美商业模型的对话交互体验
环境隔离：完全离线运行，杜绝数据外泄风险
数据可控：完全掌控数据资产，符合合规要求

前置准备

硬件环境：

CPU >= 2 Core
显存/RAM ≥ 16 GiB（推荐）

软件环境：

Dify 社区版

开始部署

1. 安装 Dify

git clone https://github.com/langgenius/dify.git
# 速度太慢可以用这个 git clone https://gitee.com/dify_ai/dify
cd dify/docker
cp .env.example .env # 创建配置文件

更新上传文件大小配置(非必须)

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。

打开上面复制出来的 .env 文件，修改如下参数：

# 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 # 如果版本是 Docker Compose V1，使用以下命令：docker-compose up -d

如果 docker 拉取镜像太慢，可以设置镜像，加到后面即可：

"registry-mirrors": [
    "https://hub.rat.dev",
    "https://dockerhub.icu",
    "https://docker.wanpeng.top",
    "https://register.librax.org"
  ]

访问 Dify

设置管理员与登录，Dify 社区版默认使用 80 端口。

# 本地环境
http://localhost/install

登录后

2. 将 DeepSeek 接入至 Dify

接入在线 api 模型配置

如果本地没有部署 DeepSeek ，可以直接用硅基流动

的 API 接入。

硅基流动

没有硅基流动 API Key 可以参考我之前的文章申请。

设置好后可以看到有很多模型可以选择：

接入本地部署的 DeepSeek

如果本地部署了 DeepSeek，可以接入本地的模型。点击 Dify 平台右上角头像 → 设置 → 模型供应商，选择 Ollama

，轻点“添加模型”。

这里用 Ollama 客户端，则需要在本机上部署 DeepSeek，Base URL 填写 http://本机IP:11434 即可。

再添加向量模型

点击保存即可。

最终系统模型设置

我这里直接使用硅基流动的了。

现在 DeepSeek 就正常接入到 Dify 啦。

知识库

创建知识库

分段选择

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。

通用模式

系统按照用户自定义的规则将内容拆分为独立的分段。当用户输入问题后，系统自动分析问题中的关键词，并计算关键词与知识库中各内容分段的相关度。根据相关度排序，选取最相关的内容分段并发送给 LLM，辅助其处理与更有效地回答。

在该模式下，你需要根据不同的文档格式或场景要求，参考以下设置项，手动设置文本的分段规则。

分段标识符，默认值为 \n，即按照文章段落进行分块。
分段最大长度，指定分段内的文本字符数最大上限，超出该长度时将强制分段。默认值为 500 Tokens，分段长度的最大上限为 4000 Tokens；
分段重叠长度，指的是在对数据进行分段时，段与段之间存在一定的重叠部分。这种重叠可以帮助提高信息的保留和分析的准确性，提升召回效果。建议设置为分段长度 Tokens 数的 10-25%；
文本预处理规则， 过滤知识库内部分无意义的内容。提供以下选项：
- 替换连续的空格、换行符和制表符
- 删除所有 URL 和电子邮件地址

这里选择通用模式看看效果：

父子模式

与通用模式相比，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。

其中，父区块（Parent-chunk）保持较大的文本单位（如段落），提供丰富的上下文信息；子区块（Child-chunk）则是较小的文本单位（如句子），用于精确检索。系统首先通过子区块进行精确检索以确保相关性，然后获取对应的父区块来补充上下文信息，从而在生成响应时既保证准确性又能提供完整的背景信息。你可以通过设置分隔符和最大长度来自定义父子区块的分段方式。

其基本机制包括：

子分段匹配查询：
- 将文档拆分为较小、集中的信息单元（例如一句话），更加精准的匹配用户所输入的问题。
- 子分段能快速提供与用户需求最相关的初步结果。
父分段提供上下文：
- 将包含匹配子分段的更大部分（如段落、章节甚至整个文档）视作父分段并提供给大语言模型（LLM）。
- 父分段能为 LLM 提供完整的背景信息，避免遗漏重要细节，帮助 LLM 输出更贴合知识库内容的回答。