Dify与Ragflow知识库大揭秘：差异究竟在哪？

在各种 AI 应用繁花一样蹦出来的时候，知识库的构建与优化变得至关重要。在这个领域，Dify 和 Ragflow 作为两款备受瞩目的工具，各自展现出独特的魅力，吸引着开发者和企业的目光。

Dify 凭借其出色的可视化编排功能，极大地降低了开发门槛，让非技术人员也能轻松构建智能应用，因此在开发效率上占据优势，成为众多公司的首选。而 Ragflow 则专注于知识库的深度优化，在检索准确率和召回率方面表现卓越，为对知识精准度要求极高的场景提供了可靠的解决方案。

这两款工具在功能、特性和适用场景上究竟有何差异？如何根据实际需求做出正确的选择？今天，就让我们一起深入剖析 Dify 和 Ragflow 的知识库，揭开它们神秘的面纱，为你的 AI 开发之旅提供有力的决策依据。

一、Dify 与 Ragflow 知识库初印象

1、Dify 知识库简介

Dify 是一款备受瞩目的低代码 LLM 应用开发平台，其设计理念旨在降低开发门槛，让更多非技术背景的人员也能参与到 AI 应用的开发中来。就像搭积木一样，通过可视化工作流编排，用户只需简单地拖拽组件，就能轻松完成复杂逻辑的设计，快速搭建出生产级的生成式 AI 应用。

在实际应用中，Dify 的优势得到了充分体现。某电商平台利用 Dify 仅用 3 天时间，就成功搭建出了智能客服系统。这个系统不仅能够快速响应用户的咨询，还能根据用户的需求，精准地提供订单查询、退换货策略生成等服务，大大提升了用户体验和运营效率。

2、Ragflow 知识库简介

Ragflow 则是一款专注于复杂文档解析和高精度检索的 RAG 引擎，在处理非结构化数据方面，有着得天独厚的优势。它就像是一位专业的文档分析师，能够深入理解各种复杂格式的数据，无论是 PDF、扫描件、表格，还是图片等，都能精准识别其中的标题、段落、图片等元素，甚至还支持可视化编辑，让文档处理变得更加高效和精准。

在法律合同审查场景中，Ragflow 能够自动提取条款中的关键字段，准确率在行业内处于领先地位。这一优势使得它在专业领域中大放异彩，为企业提供了可靠的知识检索和分析服务。

Ragflow 采用的多路召回机制和融合重排序技术，就像是一位经验丰富的图书馆管理员，能够从海量知识中精准找到与用户问题最相关的部分，大幅减少 AI 回答中的 “幻觉” 问题，让答案更加准确和可靠。同时，它还能提供答案的关键引用快照和原始来源链接，让用户对答案的出处一目了然，增强了答案的可信度。

二、原理剖析：深度挖掘差异根源

1、Dify 知识库原理

Dify 的知识库原理犹如一个精心构建的智能工厂，从原材料（数据）的处理，到产品（回答）的生成，每一个环节都经过了精细的设计和优化。Dify 的知识库封装相对 Ragflow 就完整一些，文档通过设置分块方式，向量化后进入到向量数据库过程属于知识库，在知识库中自动形成关键词。

检索的关键设置也是在知识库里面设置，也就意味着一个 AI 助手，一次问答，每个知识库里面的检索方式不一样。知识库的检索方式在数据进入到知识库的时候可以设置，也可以在后面的知识库的设置里面进行设置。Dify 对文档分块没有那么多类型，只有通用和父子模式两种模式。

2、Ragflow 知识库原理

Ragflow 的知识库原理则侧重于对文档的深度理解和高精度检索，每一个步骤都蕴含着对知识的精准把握和高效处理。它的知识库主要是完成数据从分块，向量化到存储到库中之后，构建自动关键词，自动问题，以及知识图谱的过程。

在这里数据分块，以及向量化的过程，它可以根据文档的类型，设置不同的分块和向量化方法：

General: 根据预设的块标记号对文件进行连续分块。支持 MD, MDX, DOCX, XLSX, XLS, PPT, PDF, TXT, JPEG, JPG, PNG, TIF, GIF, CSV, JSON, EML, HTML。
Q&A: 适用于 Q&A 的 Excel 和 CSV/TXT 文件。
Resume: 适用于简历的 DOCX, PDF, TXT。
Manual: 适用于手册的 PDF。
Table: 适用于表格的 XLSX, XLS, CSV/TXT。
Paper: 适用于论文的 PDF。
Book: 适用于书籍的 DOCX, PDF, TXT。
Laws: 适用于法律文档的 DOCX, PDF, TXT。
Presentation: 适用于演示文稿的 PDF, PPTX。
Picture: 适用于图片的 JPEG, JPG, PNG, TIF, GIF。
One: 每个文档都被完整地分块（作为一个整体）。
Tag: 知识库的作用是作为其他知识的标签集。标签数据集不参入检索，参入数据向量化过程。

深度文档理解技术是 Ragflow 的核心竞争力之一，它能够像一位专业的文档分析师，深入解析各种复杂格式的非结构化数据。RAGFlow 提供多种分块模板，方便对不同布局的文件进行分块，并确保语义完整性。在分块方法中，您可以选择适合您文件布局和格式的默认模板。

其实文档在存储到知识库中，分块是极其重要，分块的完整性决定了后期检索数据的质量。

文本分块是 Ragflow 处理数据的重要步骤，它会根据文档的类型和特点，采用不同的分块策略，将文档分割成合适大小的文本块。

存储环节中，Ragflow 将向量化后的文本块存储到向量数据库中，同时还保留了文本块对应的原始文本以及在原始文件中的位置等信息，方便用户查看和追溯。

在检索阶段，Ragflow 采用了多路召回机制和融合重排序技术，能够从海量知识中精准找到与用户问题最相关的部分。它会结合多种检索策略，如向量检索、关键词检索等，提高知识的覆盖面。然后，通过融合重排序技术，对检索结果进行优化排序，确保呈现给用户的答案是最相关、最准确的。

三、分块模式大比拼：谁更胜一筹？

1、Dify 分块模式详解

Dify 主要提供了通用和父子模式两种分块模式，这两种模式就像是两把不同的钥匙，各自适配着不同类型的文档 “锁”。

通用模式是 Dify 的默认分段方式，就像一把万能钥匙，适用于大多数普通场景。它采用粗粒度切分，将文档内容拆分成独立的分段，每个分段都可以单独检索。这种模式下，分段规则十分灵活，默认按照段落（\n）分段，但如果用户有特殊需求，也可以使用正则表达式自定义分段规则，比如按照句子分段。分段长度也可根据需求调整，每段的字符数默认不超过 500 Tokens，最大可设置为 4000 Tokens 。相邻分段之间还可以设置一定的重叠部分，建议设置为分段长度的 10%-25% ，以提升召回效果。通用模式还提供了基础的文本预处理功能，比如替换连续的空格、换行符和制表符，删除 URL 和电子邮件地址等。对于结构清晰、段落独立性强的文档，如常见问题解答（FAQ）、产品说明书等，通用模式能够快速准确地定位到相关内容，为用户提供高效的检索服务。

父子模式则是在通用模式基础上的一种升级，采用了双层分段结构，就像一把精密的组合锁，更适合处理结构复杂、上下文依赖强的文档。在这种模式下，父分段（Parent-chunk）是较大的文本单位，比如段落或全文，用于提供丰富的上下文信息。子分段（Child-chunk）是父分段中的小单位，比如单个句子，用于提高检索的精确度。系统先通过子分段精准匹配用户问题，找到最相关的小块信息，然后将对应的父分段一并发送给 LLM，提供完整的上下文背景。在处理合同审查、政策解读等需要 “按条分析” 的应用场景时，父子模式能够发挥出其独特的优势，确保回答的准确性和完整性。

2、Ragflow 分块模式详解

Ragflow 提供了多种分块模板，就像一个装满了各种专业工具的百宝箱，能够满足不同类型文档的分块需求。

General 分块: 最常用的一种分块方式，它支持的文档格式非常广泛。这种分块方式就像一个通用的切割工具，系统会使用视觉检测模型将连续文本分割成多个片段，然后将这些连续的片段合并成 Token 数不超过指定 “Token 数” 的块，能够适应大多数文档的基本结构。
Q&A 分块: 专门用于处理问答格式的文件，支持 Excel 和 CSV/TXT 文件格式。
Resume 分块: 主要用于处理简历文档，支持的文件格式为 DOCX、PDF、TXT 。
Manual 分块: 适用于手册类文档，仅支持 PDF 格式。
Table 分块: 用于处理表格类文档，支持 EXCEL 和 CSV/TXT 格式文件。
Paper 分块: 专门用于处理论文文档，仅支持 PDF 文件。
Tag 知识库: 作为其他知识的标签集。

对比 Dify 和 Ragflow 的分块模式，可以发现 Ragflow 的分块模式数量更多，覆盖的文档类型和应用场景也更加广泛。Dify 的分块模式虽然相对较少，但通用模式和父子模式也能够满足大部分常见文档的处理需求，且在配置和使用上相对简单。

如果你的文档类型比较单一，且属于常见的结构清晰的文档，Dify 的分块模式可能已经足够满足你的需求；但如果你需要处理各种复杂格式的文档，或者对分块的精细度和适应性有更高的要求，那么 Ragflow 的多种分块模板无疑能够提供更强大的支持。

四、检索机制对比：准确率与召回率的较量

1、Dify 检索机制

Dify 的检索机制提供了多种灵活且强大的检索策略，以满足不同场景下的知识获取需求。Dify 的检索模式总共有向量检索，文本检索，还有混合检索三种方式。

向量检索是 Dify 的核心检索方式之一，通过生成查询嵌入并查询与其向量表示最相似的文本分段，计算问题与内容之间的向量差确定那一段分块适合该问题，Dify 还提供了一系列参数设置。TopK 用于筛选与用户问题相似度最高的文本片段，系统会根据选用模型上下文窗口大小动态调整片段数量，默认值为 3 。Score 阈值用于设置文本片段筛选的相似度阈值，只有超过设置分数的文本片段才会被召回，系统默认关闭该设置。此外，用户还可以在 “模型供应商” 页面配置 Rerank 模型的 API 秘钥，在语义检索后对已召回的文档结果再一次进行语义重排序。

全文检索则像是一个细致的关键词搜索专家，它索引文档中的所有词汇，允许用户查询任意词汇，并返回包含这些词汇的文本片段。这种检索方式在处理一些需要精确匹配关键词的场景时非常有效。

混合检索巧妙地融合了向量检索和全文检索的优势，就像一位全能的知识猎手，同时执行这两种检索方式，并应用重排序步骤，从两类查询结果中选择匹配用户问题的最佳结果。

2、Ragflow 检索机制

Ragflow 的检索机制犹如一套精密的智能导航系统，通过多种方式设置检索参数，并运用先进的技术手段，确保从知识库中获取最精准的信息。

在 AI 助手、可视化编排组件和 API 中，Ragflow 都为用户提供了灵活设置检索参数的功能。

Ragflow 采用的多路召回机制，就像是多条搜索路径同时开启，结合多种检索策略，大大提高了知识的覆盖面。它会综合运用向量检索、关键词检索等多种方式，从不同角度对知识库进行搜索。

融合重排序技术是 Ragflow 检索机制的又一核心亮点，它就像是一位严格的质量把关者，对检索结果进行优化排序。在多路召回获取到大量的候选结果后，融合重排序技术会根据这些结果与用户问题的相关性、重要性等因素，对它们进行重新排序，将最符合用户需求的结果排在前面。

3、检索效果对比

为了更直观地了解 Dify 和 Ragflow 在检索效果上的差异，我们进行了一系列实际测试。在测试中，从测试数据来看，Ragflow 在检索准确率和召回率方面确实表现出了一定的优势。在处理复杂问题时，Ragflow 的多路召回机制和融合重排序技术能够更全面地搜索知识库，找到更多相关的信息，并且能够更准确地对这些信息进行排序，从而提供更精准的答案。

在召回率方面，Ragflow 的多种分块模式和灵活的检索策略使得它能够更有效地从知识库中召回相关的文本块。对于一些语义较为模糊或者涉及多个知识点的问题，Ragflow 能够通过不同的检索路径和分块匹配，找到更多潜在的相关内容，而 Dify 由于分块模式相对较少，在某些情况下可能会遗漏一些相关信息。

这并不意味着 Dify 的检索效果不佳。Dify 的检索机制在很多场景下也能够满足用户的需求，尤其是在对检索速度要求较高，或者问题相对简单、明确的情况下，Dify 的多种检索策略和参数设置能够快速提供准确的答案。