利用Dify创建一个最简单的知识库（只用一份简历）

前言

    用Dify建立一个最简单知识库，只用了一份简历。主要是为了充分理解“知识库”的概念。为下一步的应用打好基础。

       我觉得知识库的核心就是帮助自动构建了向量数据库，使得模糊的语义查询变得非常方便。

一、创建知识库

1.1、创建知识库

登录Dify，选择“知识库”选项：

点击“创建知识库”

1.2、导入已有文本

点击“下一步”

1.3、知识库的更多细节

更多的细节开始呈现，如下图：

这里有很多的细节参数，我们暂时都采用默认的不作任何的修改。

红线所画的是Rerank模型，这个模型应该是“硅基流动”提供的，用来给内容进行打分排序的。（这个后面还会提到的）

继续下拉，可以看到全部的参数，我们点击“保存并处理”，如下图：

1.4、知识库已创建

知识库已经创建，如下图：

点击“前往文档”，进入下一个页面

二、文档和召回测试

2.1、进入知识库界面

2.2、召回测试

点进“召回测试”

2.3、问题1

进行召回测试，提了一个简单的问题（“这个人在哪些公司工作过？”），如下图：

可见匹配还是比较准确的，特别注意右侧的打分

这就是大模型打分给出来的。很显然这是一种很模糊的，基于语义的查询。可以区别sql语句的精确查询。

2.4、问题2

又提了一个的问题，结果如下：

可见准确度依然是很高的，它的打分机制依赖于这一系列关键词。

三、模型设置分析

再看“设置”中的Rerank模型选定：

这两个可选模型分别是：

Netease-youdao/bce-reranker-base_v1 （网易有道中英文表征算法bce模型库）

BAAI/bge-reranker-v2-m3   （北京智源人工智能研究院的bge模型）

关于m3e、bge、bce三大知名文本检索向量化模型库的介绍，可以参考博客：

https://blog.csdn.net/hero272285642/article/details/140466752

对Rerank对应的模型的理解非常的关键。实际上本质的来讲，是模糊查询的核心技术，

这里还涉及到向量数据库，这些另外撰文再论述。