Dify大模型，如何理解知识库recall召回率？知识库评价
发布于 作者：苏南大叔 来源：程序如此灵动~
我们相信：世界是美好的，你是我也是。 来玩一下解压小游戏吧！ 
知识库的建立，是一个长期且需要技巧的事情。它并不是“简单粗暴的上传文档，然后无脑生成向量数据库的数据”即可。效果好的知识库，需要对文档进行加工预处理，才能更好的进行数据匹配。
评价一个知识库的好坏，目前的标准就是召回率，英文是recall。那么，如何理解知识库的召回率呢？本文结合dify大模型平台，谈谈知识库的recall召回率。
苏南大叔的“程序如此灵动”博客，记录苏南大叔的代码编程经验总结。测试环境：win10@22h2，docker@28.0.4，dify@1.3.1，weaviate@1.19.0。
dify分割方式
在本文中，是以dify平台的知识库搭建为前提的。前置阅读文章如下：
docker，https://newsn.net/say/docker-win.htmldify，https://newsn.net/say/dify.html- 知识库，https://newsn.net/say/dify-weaviate.html
测试情况下，会随便在知识库里面的上传一些文章使用。分割方式，可以选择：
- 默认的分割方式。
- 或者父子分段模型。
- 或者自行对文档加工后，再对分段模型参数进行调整。
知识库这些不同的调整方式，谁更加好一些呢？这个评判标准就是recall召回率。
评价标准：召回率
在dify的界面上，有召回率recall的显示位置。如下图所示：
每次用户提问，都涉及到召回率统计的问题。也就是说：召回率是针对用户的提问而产生的。召回次指的是系统成功从知识库中找到相关文档的次数,而召回率则是衡量系统能够找到所有相关文档的比例。
苏南大叔的理解：召回率(查全率)，讲求一个目标数据的发现率，宁可错杀一百，不可放过一个。只要目标数据都找到，有多少被误判的都无所谓。
举例：出库的一大车食品货物里面，有一箱过期食品。结果把两大车货物又拉回来了，那么召回率是100%。即使绝大多数货物都是没有问题的。
在通用企业级知识库问答场景中，Dify的召回率约为75%。例如，在处理3000+事项的智能匹配任务时，通过向量检索和语义分析技术可缩小候选范围，但需结合大模型精排提升最终准确率。
召回模式配置
支持N选1召回模式（单知识库精准检索）和多路召回模式（多源并行检索），用户可通过优化数据集描述提升领域匹配精度。例如，技术文档库通过明确标注“包含API接口说明和开发指南”等特征，系统可精准匹配用户提问。
召回测试与调优
提供文本召回测试功能，用户输入问题后可模拟检索过程并查看内容块匹配分数。通过调整TopK值（召回分段数量）和召回阈值（最低相似分数），可平衡检索范围与相关度。例如，分数阈值设为0.8时，仅召回与问题高度相关的内容。
提升召回率
在网络上，有两种说法。
- 一种是说召回率越高越好。
- 另外一种说召回率保持在75%左右越好。
苏南大叔个人觉得既然选择召回率作为评判指标了。那么，还是应该尽可能的高一些更好吧。
影响因素：
知识库规模与质量：大规模知识库或复杂文档结构可能降低召回率，需通过分块策略（如动态分块、语义分析）优化。
模型适配与调优：接入不同大语言模型（如GPT、Llama3）时，需定制化prompt工程以减少信息丢失。
提升手段：
若需提升召回率，可优先采用混合检索架构（向量+关键词匹配），并针对高价值数据（如合同条款）进行模型微调或分块细化处理。
在金融合同条款检索等垂直领域（如Milvus混合检索），Dify的召回率可达78%，这得益于其向量检索与关系型数据库的结合使用。
分段优化（如父子模式）可进一步提升局部召回效果，例如测试中父子模式的召回率分别为0.63和0.72。
参考文章
在以前的机器学习的领域里面，也有类似的召回率概念，用于评价模型的好坏。参考文章：
结语
在本文中，苏南大叔初步引入了知识库的评价体系：recall召回率的概念。这个召回率的概念，实际上是不计成本的增加找到目标数据的方法。但是在知识库查询的时候，是有个topn的概念的，所以，这个不计成本也是有范围概念的。
召回率是评价“知识库”的，每个dify插件都是可以使用“知识库”的。所以，召回率是和“知识库”严密相关的。所以，是通过下面的位置进行查看的。
更多dify相关经验文字，请点击：
如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。 
【源码】
【绝密】秘籍文章入口，仅传授于有缘之人 
检测到了复制动作，那么是否解决了您的问题？ 