[Dify] 使用 Embedding 模型优化知识召回效果

在 Dify 中，知识库检索的核心环节是 Embedding 向量化模型。
它决定了文档如何被切片、如何被表示为向量，以及用户提问时如何在知识库中找到最相关的片段。

很多用户会发现：同样的知识库内容，在不同的 embedding 模型配置下，检索结果差别巨大——有时能精准返回目标答案，有时却“答非所问”。

这就是 Embedding 模型选择与调优的关键所在。本文将深入解析如何在 Dify 中使用 Embedding 模型优化知识召回效果。

---

一、Embedding 在 Dify 知识库中的作用

当你向知识库上传文档时，Dify 会经过以下流程：

1. 文档切片（Chunking） → 将大文本拆成小块

2. Embedding 向量化 → 将每个文本块编码为向量

3. 存储索引 → 保存到向量数据库（如 Milvus、PGVector）

4. 用户提问时 → 将问题同样 Embedding，进行向量相似度检索

5. 召回结果注入 LLM → LLM