【AI大模型】Dify与RAGFlow知识库召回能力大比拼：测试结果与优化策略，小白也能轻松上手！

本文对比测试了Dify和RagFlow两个知识库管理平台的召回能力。通过使用省份地名和邮编对照文档进行测试，发现两者默认分块策略存在问题，导致内容被切割影响召回准确率。通过自定义分块标志，将准确率提升至98%左右。最终选择Dify+RagFlow组合方式，利用Dify的工作流能力和RagFlow的召回能力，满足应用需求，为开发者提供了实用的知识库构建方案。

上马定江山

302人浏览 · 2025-09-13 15:35:01

上马定江山 · 2025-09-13 15:35:01 发布

功能完善上面不断卷卷卷

目前，Dify和RagFlow着实让人眼前一亮，而且各自都在不断更新，持续优化，之前在做Dify工作流的时候，顺带做了其知识库的召回应用，但是一直没有达到预定的效果，即使是对于简单的知识库；无奈后来选择了RagFlow进行知识库的召回工作，并将其集成到了Dify中，同时利用Dify强大的工作流能力和RagFlow强大的知识库召回能力，满足了应用的需求。

随着两者不断更新，在工作流方面Ragflow也有了很大的突破，同样Dify的知识库召回准确性也慢慢在提升。

本文将使用一份简单的文档，里面记录了全国各个省份的地名和邮编对照关系，这些地名和邮编对都是随机分布和乱序呈现的，现将该文档使用Dify和Ragflow两个知识库管理方式进行切分，分别进行召回测试，择优使用。

Dify中创建知识库

在Dify中创建知识库，具体创建方式很简单，为了节省大家时间，这里直接忽略，注意分片大小和切分方式，在创建完成之后进行召回测试，测试问题为：“天水的邮编”，可以看到在第分块就已经显示出来了，这种召回非常准确了，只是顺序相对比较靠后，这种结果交给模型处理是没有任何问题的。

缺点就是，分块选择了默认的换行分割，导致同一部分的描述会被切割成不同的分块，这样对召回准确度的影响非常大。

Ragflow创建知识库

在Ragflow中创建知识库，然后进行对上传的稳定进行解析，等完成之后，做同样的测试，同样的问题，可以看到找回的结果在块中显示更加靠前，整体的召回率也更加准确，但同样存在同一部分内容被切割成两块的问题。

切割分割限定

在上述方式测试完成之后，对知识库的分块策略做了更改，切片方法还是General，但是将文本的分段标志改成自己定义的符号，前提是要对文档预先进行人为处理，将同意部分进行自定义符号的分割，然后交给平台进行切割，最后，达到准确的召回，经过多轮测试，准确率能达到98%左右。

在进行测试对比后，选择Dify+Ragflow的方式进行应用编排，几乎能满足所有预期。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

在这里插入图片描述

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。
在这里插入图片描述
最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。