背景介绍
在之前的文章 来自工业界的开源知识库 RAG 项目最全细节对比 中介绍过，现有 RAG 开源项目中，Dify 的生态良好，但是一个明显的短板就是 RAG 检索能力偏弱。因此一直期望能补全这个短板，从而让 Dify 能真正好用起来。
在 基于开源项目二次开发建议方案 探索了 Dify 的增强策略。实际选择了文章中提到的中策，基于模块化增强 Dify。做出这个选择的主要原因如下：
- Dify 的 RAG 已经支持了大量的 RAG 基础能力与可视化页面，如果通过额外的插件拓展支持，那么现有的 RAG 基础流程无法复用，开发的工作量太大。
- 通过插件机制需要整体完成后上线，无法渐进式增强；
最终选择牺牲了部分可维护性，大幅减少开发成本。
方案设计
整体的方案是通过模块化组件替换 Dify 原有的基础模块，逐步替换为更强的 Dify-RAG 模块，从而提升 Dify 的 RAG 能力。简单的 Dify RAG 模块化结构如下所示：
根据之前的 RAG 项目结构化文件解析方案比较 调研，Dify 的文件解析能力偏弱，结构化文件解析时也没有保留好结构信息，从而导致文件的分片效果不佳，最终导致 RAG 的检索效果不理想。
因此从解析模块开始，先对结构化文件的解析方案进行了改造。所有的改造遵循 Dify 现有的框架进行设计，首先支持了 html, markdown, pdf 文件的解析优化，可以将增强的解析模块插入 Dify 框架中，改造后的结构如下所示：
目前所有的代码目前已经开源在 Github 上，欢迎大家关注。
方案实现
模块化增强
方案实施是按照模块进行逐步升级替换的，下面以 html 解析模块为例进行介绍增强方案：
在之前的 RAG 项目结构化文件解析方案比较 中已经大致介绍了不同的开源项目的 html 解析方案，目前 Dify 的解析是基于 BeautifulSoup 实现，解析后的文档没有保留任何的结构信息，最终分片效果必然不佳。
根据实际测试情况来看，基于 html_text + readability 的解析方案更好，可以将与可视化效果更接近的内容分配在同一行中，从而尽可能避免文件内容被切断的问题。基于 html_text 实现的一个 html 解析方案简化后如下所示：
import html_text
import readability
html_doc = readability.Document(text)
# 使用 html_text 解析出文本内容，以 `\n` 分隔，单个段落中的内容会保留在同一行中
content = html_text.extract_text(html_doc.summary(html_partial=True))
title = html_doc.title()
if title != NO_TITLE:
txt = f"{title}\n{content}"
else:
txt = content
# 将原有的内容进行分拆，方便以特殊标识符进行组合
sections = txt.split("\n")
clean_sections = []
for sec in sections:
sec = sec.strip()
if sec:
clean_sections.append(sec)
# 使用 `\n\n` 进行连接，作为标识符提供给 Dify 的 Splitter 环节作为参考
docs = [Document(page_content="\n\n".join(clean_sections))]
上面的内容中需要特别注意的是，最终的内容是按照 \n\n 进行连接，原因从 洞察 Dify RAG 切片机制实现细节 中可以找到答案，Dify 会优先按照 \n\n 进行切片，因此通过同样的标记可以给 Dify 切分环节提供指导，从而尽可能按照合适的位置进行切分。
实际测试时发现，html 解析后的表格容易被切断，从而导致表格信息检索存在问题。因此选择额外处理表格，将提取的表格转换为 markdown 格式，独立进行向量化，尽可能避免表格信息无法检索的问题，实现如下所示：
# 将 html 中的表格转换为 markdown 格式
def convert_table_to_markdown(table) -> str:
md = []
rows = table.find_all("tr")
for row in rows:
cells = row.find_all(["th", "td"])
row_text = (
"| " + " | ".join(cell.get_text(strip=True) for cell in cells) + " |"
)
md.append(row_text)
if row.find("th"):
header_sep = "| " + " | ".join("---" for _ in cells) + " |"
md.append(header_sep)
return "\n".join(md)
soup = BeautifulSoup(content, "html.parser")
tables_md = []
tables = soup.find_all("table")
# 获取所有表格，转换为 markdown 格式，并从原始的 html 中移除
for table in tables:
table_md = convert_table_to_markdown(table)
tables_md.append(table_md)
table.decompose()
另外额外做了一些必要的内容提取优化，比如常规的 checkbox，radio 转换后的文本会保留所有选项的内容，这样最终大模型无法获得任何有价值的信息，因此需要根据实际选择的选项进行信息提取。
整体的实现可以在 html_extractor 中查看。
pip 依赖包封装
如果将现有的增强直接引入 Dify 项目中，那么拉取 Dify 后续的更新很容易出现代码冲突，导致长期维护困难。
因此实际将 Dify 增强能力封装为 pip 依赖包，这样只需要在 Dify 项目引入相关依赖，并根据需要选择合适的增强模块替换原有模块即可，后续的升级和迭代都比较方便。
目前对应的依赖包发布至 Pypi 上了，感兴趣可以安装体验。
Dify 应用
为了在 Dify 中使用现有的增强服务 Dify-RAG，实际是相当简单的。
由于所有的改造都是基于 Dify 官方的代码，因此需要先拉取 Dify 的代码，之后的需要两步即可：
- 将 Dify-RAG 依赖包安装至 Dify 项目中，由于 Dify 官方是基于 poetry 管理项目的，因此需要进入
api/目录下，通过poetry add dify-rag将依赖包安装至 Dify 项目中。 - 将 Dify 中表现不佳的基础模块替换为 Dify-RAG 提供的增强模块，目前支持的主要是 html, markdown, pdf 的解析，可以在
api/core/rag/extractor/extract_processor.py中直接替换，相应的修改可以参考 Github Code
替换之后重启服务，你就会发现，Dify 对特定格式的文件解析已经变强了。
为了生产环境使用更加便利，可以考虑重新打包自定义镜像，并对应修改 docker-compose 中指向的镜像，即可在生产环境中无缝使用了。
总结
本文介绍了 Dify-RAG 增强方案，通过提供 Dify 的 RAG 增强模块，通过简单的替换就可以大幅增强 Dify 现有的 RAG 能力，从而提升 RAG 检索效果。
当然 Dify-RAG 目前还处于早期阶段，主要提供了部分格式的文件解析增强，后续会逐步迭代，补充更多的 RAG 所需的能力，从而让 Dify 的 RAG 能力得到显著的增强。
