RAG实战终极教程！Dify+ThinkDoc从入门到精通，一篇搞定多模态精准召回！

Dify 是一个开源的 LLM 应用开发平台，提供了知识库、RAG 管道、智能体与工作流编排等功能。不过，虽然 Dify 的工作流编排能力有口皆碑，但是其内置知识库的能力却与之不相称。在真实业务场景中，Dify 处理复杂的文档，尤其是 PDF（含表格、图片、多栏排版），还是有些不足。

Python_金钱豹

837人浏览 · 2025-12-13 09:00:00

Python_金钱豹 · 2025-12-13 09:00:00 发布

Dify 是一个开源的 LLM 应用开发平台，提供了知识库、RAG 管道、智能体与工作流编排等功能。

不过，虽然 Dify 的工作流编排能力有口皆碑，但是其内置知识库的能力却与之不相称。

在真实业务场景中，Dify 处理复杂的文档，尤其是 PDF（含表格、图片、多栏排版），还是有些不足。

解析深度有限。主要抽取纯文本，没有保留完整的表格行列关系、图片语义、页眉页脚信息等。
检索策略单一。虽支持向量+关键词混合搜索，但无法按业务权重动态调整，亦缺乏自定义重排序逻辑。

这就导致 Dify 内置知识库的召回性能，难以满足企业级应用的需求。

好在 Dify 是一个开放平台，它也提供了对接外部知识库的功能，不过其 /retrieval 端点与字段要求固定，无法按需增加自定义参数，实际性能和可扩展性均受限。

因此，我们需要更好的方案。

Dify x ThinkDoc 方案

在企业级应用需求的场景下，我们采用 Dify 的编排与交互能力，将解析与检索环节外接至 ThinkDoc 知识库，通过 HTTP 直调 API 实现多模态精准召回。

仅需三步迅速成效

第一步： ThinkDoc 侧准备

登录 ThinkDoc → 创建知识库 → 上传文件。
- https://doc.bluedigit.ai
在知识库页面，复制知识库ID

Knowledge ID：6871xxxxxxxx

在用户账号页面，创建API密钥：

API Key：td-xxxxxxxx

第二步： Dify 工作流配置

在 Dify工作室，我们选择创建空白应用，然后选择 Chatflow。

随后，我们在开始与 LLM 这两个节点间，增加一个 HTTP请求节点，这样，我们就创建一个最简单的RAG工作流。

这个新增的 HTTP 请求节点，参数如下：

API

POST https://doc.bluedigit.ai/api/retrieve

Headers

Authorization的键值，请填入刚才创建的 API 密钥：td-xxxxxxxx。

{
"Authorization": "Bearer td-xxxxxxxx",
"Content-Type": "application/json"
}

Body

选择raw，填入以下信息，使用刚才获得的知识库ID 6871xxxxxxxx。

{
"query": "{{#sys.query#}}",
"kb_ids": ["6781xxxxxxxx"],
"retrieval_setting": {
"top_k": 10,
"score_threshold": 0.1,
}
}

以上在 Dify 中的 HTTP 请求节点的配置，如下图所示：

LLM 节点的配置

我们需要在 LLM 节点，配置系统和用户提示词，并在提示词的合适位置添加上下文和用户查询变量：

第三步：效果验证

我们在知识库中，上传了一份《大卫说流程》Word文稿，随后在 Dify 工作流的预览界面输入问题：

流程有哪些特征？

很快，系统返回如下回答：

整个工作流的执行情况如下图所示：

可以看到，这个最简单的RAG工作流，非常快速和准确地找到了相关信息，并通过LLM生成了回答。

灵活调整参数

基于 ThinkDoc 强大的文档解析和融合检索能力，我们还可以进一步扩展。

多知识库联合检索： kb_ids 参数值为数组，可以填入多个知识库ID；如果填入空数组[]，那么将默认在用户的所有知识库中检索。
动态阈值：根据检索结果测试的情况，调整 score_threshold，兼顾检索的精度与召回率。

如何使用 ThinkDoc 的混合检索与重排序功能呢？

我们只需在 HTTP请求的 Body 中增加以下参数：query_type、rerank、top_n。

{
"query": "{{#sys.query#}}",
"kb_ids": ["6781xxxxxx"],
"retrieval_setting": {
"top_k": 10,
"score_threshold": 0.1,
"query_type": "hybrid",
"rerank": true,
"top_n": 3
}
}

如果你仔细研究 ThinkDoc 返回的检索结果，可以发现更为丰富的图片、文字、元数据和来源信息（详情参见 API 文档）。

我们可以惊喜地发现，这个用 Dify 工作流编排的 RAG 系统，将可以生成图文并貌的回答，还可以列出参考资料、准确地标注引用来源。

综合以上，对于需要解析表格、图片、复杂排版的生产级场景，本文介绍的 Dify 通过 HTTP 直调 ThinkDoc API 方案，是效果出色与可扩展的优选方案。

您可以查阅官方文档进一步了解：

Dify 外部知识库

https://docs.dify.ai/zh-hans/guides/knowledge-base/connect-external-knowledge-base
ThinkDoc API

https://doc.bluedigit.ai/api/redoc

关于 ThinkDoc

ThinkDoc 是一个专为 AI 应用设计的智能知识库平台。无论是文档解析、智能检索，还是 API 集成与自动化工作流，ThinkDoc 都以无缝、高效的方式助力企业与个人构建 AI 就绪的知识库，让知识资产真正释放生产力！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括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免费分享出来。

在这里插入图片描述