dify知识库答非所问的根源是原始文档存在格式错乱、混合内容和表格失真三类脏数据，需依次清洗、设置语义分段标识符、调整分段参数并启用父子模式与混合检索。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你上传了企业FAQ文档，Dify知识库却总返回答非所问的结果——不是模型不行，而是原始段落里混着版本号、空行、OCR错字和断裂表格，AI根本读不懂你在说什么。
识别并清除三类致命脏数据
第一步：打开Dify知识库管理页 → 点击目标知识库 → 进入“文档列表” → 找到刚上传的文件，点击右侧“预览”按钮。不要跳过这一步，【预览时若看到段首带“v2.3”“修订日期：2025-11-02”或整段文字被拆成“营\n业收\n入”这类断词，说明已存在格式污染】。
第二步：针对不同污染类型执行清洗动作——
方法一（格式错乱）：用VS Code或Notepad++打开原始Word/PDF导出的txt，用正则 \n\s*\n 替换为 \n\n，一次性合并所有多余空行；再用 (\w+)-\n(\w+) 替换为 $1$2，修复OCR导致的单词断裂。
方法二（混合内容）：扫描版PDF必须先过OCR。别用浏览器直接另存为PDF，要运行 ocrmypdf --deskew --clean input.pdf output.pdf，否则Dify提取的文本全是乱码和空格堆砌。
方法三（表格失真）：若原文含关键表格，手动将表格转为Markdown格式（用|列1|列2|语法），再粘贴回Word。Dify对Markdown表格的结构保留率超90%，而原生PDF表格解析后95%会变成无法检索的字符串流。
设置语义友好的分段标识符
进入知识库设置 → “分段规则” → 找到“分段标识符”输入框。
① 若你的文档是标准Word手册（标题用样式H1/H2、段落间有空行）：直接保留默认值 \n\n，这是最稳妥的选择。
② 若文档是单一大段政策文本（如《用户隐私协议》全文无空行）：把标识符改为 [。！？；]，让系统按句子切分。注意括号必须是英文半角，中文括号会导致规则失效。
③ 若文档含明确章节标记（如“## 退货流程”“### 时效说明”）：填入 ##\s+，系统将严格按二级标题分段。这一步能确保“退货”问题只检索退货章节，不误拉出“发票开具”段落。
动态调整分段长度与重叠值
在同一个“分段规则”面板中，修改两项数值：
将“分段最大长度”设为480——这不是拍脑袋定的数字，【bge-small-zh-v1.5模型实际token上限为512，预留32字符给标点和连接词，480是安全阈值】。
将“分段重叠”设为60。重叠太少（如10）会导致跨句逻辑断裂，比如“用户需提供身份证→身份证须在有效期内”被切成两段，AI无法关联条件；重叠太多（如120）则引发冗余向量，检索响应变慢。
改完后务必点击“预览区块”，检查是否每段都以完整句子结尾，且无单字孤悬（如某段末尾只剩一个“的”字）。
启用父子模式并验证混合检索
创建新知识库时，第一眼就选“父子模式”。这个选项一旦选定无法更改，【通用模式无法支持段落层级关联，父子模式才能让子段继承父标题语义】。
进入知识库“检索设置” → 开启“混合检索” → 设置向量权重70%、关键词权重30% → TopK值填4 → 相似度阈值调至0.72。
最后执行一次真实测试：在对话框输入“如何修改绑定手机号”，观察返回的段落是否同时包含“账号安全”父标题和“短信验证”子段落，且两段之间有明显层级缩进标识。
