Difyのナレッジの作り方｜RAGの構築手順とチャンク設定

Difyのナレッジは、資料を取り込んで、AIに検索させる機能です。この記事では、ナレッジベースの作り方と使い方を、設定の意味から順に説明します。画面の名前は英語のまま書きます。

上限や初期値は、2026年10月2日に Dify の公式ドキュメントと料金ページで確かめたものです。変わることがあるため、使う前に末尾の出典で確かめてください。

Difyのナレッジとは

Difyのナレッジは、自社のデータを集めて、AIアプリに組み込むための機能です。モデルが学習した一般的な知識だけでなく、自社の資料を根拠に答えさせられます。この仕組みは RAG（検索拡張生成）と呼ばれます。

1. 検索：質問を受けると、ナレッジから関係の深い部分を探す
2. 拡張：見つけた部分を、元の質問と一緒にモデルへ渡す
3. 生成：モデルが、渡された内容を踏まえて答えを作る

資料は、ナレッジベースという単位で保存します。分野や用途ごとに複数のナレッジベースを作り、アプリごとに選んでつなげます。RAG とAIエージェントの違いはAIエージェントとRAGの違いで説明しています。

ナレッジベースの作り方は3つあります。この記事では、初めての人向けの1つ目を説明します。

• Ready-to-use：資料を入れて処理のルールを決めれば、あとは Dify が処理する
• Custom：処理の手順を自分で組み立てる（Knowledge Pipeline）
• External：外部のナレッジベースに API でつなぐ

資料の準備：形式と前処理

Knowledge の画面で Create を押し、Ready-to-use のナレッジベースを選びます。資料の入れ方は、手元のファイルのアップロード、Notion との同期、Webサイトの取り込みの3つです。空のナレッジベースも作れます。作った後に、資料の入れ方は変えられません。

Word（DOCX）と Excel（XLSX）の中の画像は、2MB未満の JPG、PNG、GIF なら自動で取り出されます。取り出された画像は、対応する塊に添付されます。

分ける前に、文字を整える前処理も選べます。連続した空白や改行をまとめる処理と、URLとメールアドレスを消す処理です。検索に関係のない文字を減らすと、検索の質が上がります。

個人情報を含む資料に注意する

個人情報保護委員会は、2023年6月2日に生成AIサービスの利用について注意喚起をしています。事業者が個人情報を含むプロンプトを入れるときは、利用目的の範囲内かを確かめるよう求めています。本人の同意なく個人データを入れ、それが応答以外の目的で扱われると、法律違反になる可能性があります。そのため、提供元がデータを機械学習に使わないことなどを確かめるよう求めています。

ナレッジから見つかった部分は、質問のたびにモデルへ渡ります。High Quality の方式では、資料を Embedding モデルにも渡します。顧客名簿などを入れる前に、使うモデルの提供元がデータをどう扱うかを確かめます。

チャンク設定の考え方

取り込んだ資料は、チャンクという小さな塊に分けられます。質問を受けると、この塊の中から関係するものを探します。大きな本を章と段落に分けておくと探しやすい、という考え方です。

• 区切り文字：どこで分けるかを決める文字。空行で段落ごと、改行で行ごとに分けられる。区切り文字は分けるときに消えるため、本文に出てこない文字を使う
• 最大の長さ：1つの塊の最大の文字数。超えた部分は区切り文字に関係なく分けられる
• 重なり：General モードで、隣の塊と重ねる文字数。50文字にすると、前の塊の最後の50文字が次の塊の最初にも入る

分け方のモードは2つです。モードはナレッジベースを作った後に変えられません。区切り文字と最大の長さは、後からでも変えられます。

Parent-child では、親の塊を段落ごとに作るか、資料全体を1つの親にするかを選びます。資料全体を親にする場合、処理されるのは最初の10,000トークンまでです。設定を決めたら、Preview で分かれ方を確かめます。

検索方式の選び方：ベクトル・全文・ハイブリッド

次に、インデックスの方式を選びます。High Quality と Economical の2つです。

• High Quality：Embedding モデルで塊を数値の並び（ベクトル）に変え、意味の近さで探す。作った後で Economical には戻せない
• Economical：1つの塊につき10個のキーワードで探す。トークンを使わない代わりに、精度は下がる。後から High Quality に上げられる

High Quality では、検索方式を3つから選べます。

どの方式でも、TopK と Score Threshold を設定できます。TopK は返す塊の数で、初期値は3です。Score Threshold は返す最低の近さで、初期値は0.5です。ベクトル検索と全文検索では、この2つは Rerank モデルを使うときだけ効きます。Rerank モデルを使うと、そのモデルのトークンの費用がかかります。

保存容量にも関わります。High Quality で作ったベクトルは、ワークスペースの保存容量を使います。量はファイルの大きさではなく、塊の数で決まります。Economical は容量を使いません。

アプリからナレッジを呼び出す

ナレッジベースは、どの種類のアプリにもつなげます。Chatbot の場合の流れは次のとおりです。

1. Studio で Chatbot のアプリを作る
2. Context の Add で、作ったナレッジベースを選ぶ
3. Retrieval Setting で検索の設定を調整する
4. 機能の追加で Citation and Attribution を入れ、答えに出典を表示する
5. プレビューで資料に関係する質問をして確かめ、公開する

Chatflow と Workflow では、Knowledge Retrieval ノードを使います。ノードで探した結果を LLM ノードに文脈として渡し、答えを作らせます。Chatflow なら、最後に Answer ノードで返します。

検索の設定は、ナレッジベース側とアプリ側の2段階です。ナレッジベース側で候補を集め、アプリ側で並べ直したり絞ったりします。複数のナレッジベースをつなぐ場合、重みで並べ直す設定は、すべてが High Quality のときだけ使えます。

答えの精度を上げる見直し方

答えがずれるときは、検索で正しい塊が見つかっているかを先に確かめます。

• Retrieval Testing：ナレッジベースの画面で、質問を入れて検索だけを試す。ここで変えた設定は、その場だけのもの
• Records：試した検索と、アプリからの実際の検索の記録が残る
• 塊を直す：分かれ方がずれている塊は、後から手で直せる
• メタデータで絞る：資料に属性を付け、条件に合う資料だけを探す

公式ドキュメントは、方式の選び方も示しています。利用者が正確な用語を知っているなら、キーワードの重みを1にします。資料に同じ語がない場合や、言語をまたぐ質問なら、意味の重みを1にします。資料が複雑で精度が必要なら、Rerank モデルを検討します。

Dify の基本はDifyの使い方で、ナレッジを使った問い合わせ対応の例はAIエージェントのヘルプデスク活用で紹介しています。

作ったアプリを Employee Store に出品する

Employee Store は、開発者が作ったAIエージェントを、会社が買い切りや月額で導入できるマーケットプレイスです。形式は問いません。Dify のアプリも掲載できます。掲載料と初期費用はかかりません。手数料は成約金額の20%で、成約したときだけ発生します。詳しくは出品者向けの案内をご覧ください。