在企业里，AI 落地的瓶颈往往不在模型，而在于上下文工程。大量业务数据被封存在 PDF、PPT、Excel、图像、HTML 等非结构化文件中。如何把分散、异构、持续更新的企业数据，稳定转化为 LLM 可以是识别的上下文，是极其关键的一环。

传统RAG的企业困境

- 数据源割裂：企业数据分散于 ERP、Wiki、云盘等数十个系统，适配成本高。

- 异构数据解析丢失：表格、图表、公式等多模态内容易丢失，机械分块切断文档逻辑。

- 处理过程黑盒：无法定位解析 / 分块 / 向量化错误，调试盲目。

Dify Knowledge Pipeline

作为国内领先的企业级Agentic AI解决方案平台，Dify通过Knowledge Pipeline——一个可视化、可编排的处理通道，让企业真正掌握从原始数据到高质量上下文的转化全过程。

- 价值一：业务-技术协同 业务专家可通过可视化界面直接调试检索过程，减少与技术团队的沟通成本

- 价值二：降本提效 可沉淀复用模板（如合同审查、客服知识库），减少重复搭建与维护成本

- 价值三：灵活选型 各环节（OCR、解析、向量库）可按需替换，始终采用业界最优解，无需绑定单一厂商

01、可视化画布式编排

继承 Dify Workflow 画布体验，将 RAG 的 ETL 过程拆分为独立节点（数据源接入、文档解析、分块策略等）；

支持嵌入 Worklow 逻辑节点、Code 节点、LLM 节点，实现 “代码规则清洗 + 大模型内容增强” 的灵活定制（如敏感信息脱敏、实体抽取）。

02、全场景数据源插件化集成

通过Data Source 插件一键接入多类型数据源，无需定制开发，支持自定义插件扩展：

03、可插拔数据处理链路

将数据加工拆解为标准化节点，每步可按需更换插件：

- Extract（数据提取）：多数据源并行接入，统一处理文本、图片、音视频等多模态内容；

- Transform（数据加工，核心环节）：

Parse（解析）：按文件类型选最优解析器，支持多解析器并联（如扫描件 OCR、表格还原、PPT 文本框顺序校正），确保信息不丢失；

Enrich（增强）：通过 LLM 实现摘要生成、标签分类、敏感信息脱敏，提升内容质量；

Chunk（分块）：3 种策略适配不同场景（General 通用/Parent-Child 长文档精准定位/Q&A 结构化问答），客服场景检索精度提升 35%；

- Embed（向量化）：按成本、语种、维度需求灵活切换嵌入模型；

- Load（索引存储）：支持 “高质量向量索引 + 经济型倒排索引”，可配置元数据标签实现精准过滤与权限控制。

04、可观测调试能力

- Test Run（测试运行）：逐节点执行 Pipeline，查看每步输入输出是否符合预期；

- Variable Inspect（变量监视器）：实时观察中间变量与上下文，快速定位解析错误、分块异常或元数据缺失问题。

05、7类内置模板，开箱即用

提供多种预设模板，覆盖常见企业应用场景，大幅降低上手门槛。

06、多模态处理突破

- 集成MinerU 插件：支持从 PDF、Word、PPT、扫描件中提取图片 / 图表，生成可访问 URL；

- 支持图文混排输出：LLM 回答时可直接引用文档中的图表，解决传统 RAG “看不见图表” 的问题；

- 强化 OCR 能力：支持 84 种语言扫描件识别，精准处理公式、乱码 PDF。

插件生态与效率优化

RAG全链路插件覆盖：

- Connector（数据源）：覆盖Google Drive、Notion、Confluence等主流平台。

- Ingestion（解析工具）：支持LlamaParse、Unstructured、各类OCR（如MinerU）。

- Storage（存储）：对接Qdrant、Weaviate、Milvus、Oracle等主流向量库，支持企业版/开源版自定义配置。