本文详细介绍了Dify知识库图文混排的两种主流方案Markdown图床和Word导入。前者图片存储在云服务灵活易迁移但需额外运维成本后者图片存储在Dify服务器简单便捷但难以管理和迁移。文章对比了两种方案在部署成本、操作便捷性、长期管理和数据迁移性等方面的差异帮助读者根据项目需求公司长期使用vs个人快速验证选择最适合的方案。Dify知识库图文混排到底应该怎么做两种主流方案一次讲清如果你想在使用dify知识库的实现下面的图文混排效果那你非常有必要读一下这篇文章。图文混排我发现目前实现这样的图文混排效果应该是有两种方案使用图床或者直接将word文件导入知识库。大家用知识库多的话或者大模型多的话可能都知道大模型其实非常擅长理解markdown文件图床就是markdown中的图像在网络上存储的位置。而word导入知识库以后word中的图片会被dify的知识库解析然后存储到dify所在的服务器。上面的这两种方案其实本质上的原理都是使用的dify的前端是支持markdown渲染的。因此markdown的图片渲染也是支持的。下面实验的dify版本是1.9.2win11环境docker启动。markdown图床使用markdown图床的方式实现知识库答案的图文混排。前几天我们怕了E大很多的文章这里我们就以E大的文章为例。如果大家看了之前的文章的话从被 Trae 气到崩溃到用 Gemini 一次跑通终于爬下了孟岩和E大的全部理财干货可能看到了我爬取的markdown文档图片是在本地电脑上存储的在markdown中的引用方式如下markdown命名所以我们首先要将它上传到一个图床这里我实验吗所以直接用的自己的阿里云oss。如果大家在公司内部使用的话可能需要自建一个图床因此相对来说图床的方案会有服务器所以成本会高一些。阿里云oss图床地址接下来我们开始建立知识库导入知识库选择分块逻辑分块这里大家可以看到我在markdown文本中将每个主题相同的大块使用##这种二级标题符号进行了隔离所以我们在dify知识库建立的时候分隔符可以选择##。分块逻辑和预览这里大家需要特别注意一点就是你的分块长度不能太短不然可能会导致图片的URL地址被截断直接导致后续知识库的输出就无法输出完整的URL当然也就没办法实现图文混排了。下面我们做一下召回测试大家可以看到是可以召回图片的召回测试这里我开始其实是碰到了一个问题的就是图片无法加载只显示了图片链接后来看浏览器控制台发现图片访问403forbidden了。我就抓紧回忆了下我在阿里云oss的bucket里面开启了白名单Referer没有将本地的http://localhost/加入白名单后来改掉以后就正常了。ok下面我们开始测试配置一个简单地chatflowmarkdown图文混排测试提示词很简单是### 角色你是一个严谨、专业的问答助手。你的唯一任务是基于下面提供的“知识库检索结果”来回答“用户问题”。### 核心规则1. **内容来源**你的回答必须**严格且完全**基于“知识库检索结果”中的信息。2. **禁止编造**严禁使用任何“知识库检索结果”之外的信息。如果“知识库检索结果”为空或内容与“用户问题”完全无关你**必须**直接回答“抱歉我没有找到相关信息。”3. **图片处理关键指令** * **检测**在生成回答前必须检查“知识库检索结果”的文本中是否包含图片链接如 http://.../img.jpg 或 https://.../image.png。 * **嵌入**如果检测到图片链接你**必须**在回答中将该图片以 Markdown 格式 () 插入到最相关的文本段落旁边实现图文并茂的效果。 * **格式**确保图片始终以  的 Markdown 格式返回。4. **结构化输出新要求** * **条理**回答应条理清晰尽可能使用有序列表1., 2., 3.或无序列表-来组织步骤或多个要点。 * **高亮**对回答中的关键概念、术语、重要数据或结论性句子使用**加粗**进行重点标记。---* **知识库检索结果**{{#context#}}效果如下非常完美md图床知识库回答这是llm的答案结构text: 根据提供的知识库检索结果**网格1.0的主要缺点**是\n\n- **在一波强势上涨中盈利不足**。例如在2015年底到2016年底的一波接近**80%的暴涨**中网格1.0的每一格投入只赚了**5%8%**。虽然所有投入都赚钱且后续下跌都躲过了但这种策略会导致投资者在看到品种价格大幅上涨如从0.4涨到0.8后对自己在最低位买入却仅赚取微小利润就卖出的操作感到**极度不满意**。\n\n\n\n\n\n**核心问题**是网格1.0无法充分捕获大趋势行情中的利润因此在强势单边上涨市场中表现不佳。这也促使了网格2.0版本的开发通过子策略组合来优化这一问题.总结一下Markdown 图床核心收益是•灵活性高知识库源文件Markdown和图片资源图床是分离的未来无论迁移到哪个系统都非常方便。•方便管理图片资源集中在图床如 OSS管理查找、替换都很方便。但是缺点也很明显•成本需要额外的图床服务器或对象存储服务费用。•运维需要处理图床的访问权限、白名单就像我遇到的 Referer 问题甚至要多维护一个系统。word混排方案word混排方案和md图床方案的差别就是知识库我们上传的是word。word知识库上传时我们选择分隔符是\n\n我这里将md格式导出为word以后特意在每个章节中间加了两个分隔符。word两个换行符大家可以看到预览时这里也有一个相对的文件地址图片相对地址大家可以看到图片也可以被渲染出来word图片召回测试那这个图片是在哪里存储呢看这个地址我就知道他一定在本地那到底在哪里呢。我们问问Trae或者任何一个AI 的IDE或者Claude code让他来看看代码帮我们找找答案。下面这个提示词时经过Trae优化的。针对在本地使用Docker启动的Dify系统中当向知识库上传Word文档后文档中包含的图片文件的存储位置及知识库引用方式进行深入分析。请详细说明以下内容1) 图片文件在Docker容器内及宿主机上的具体存储路径结构2) 系统内部对图片资源的引用机制包括但不限于数据库记录方式、URL生成规则及访问权限控制3) 图片资源在知识库检索和展示过程中的调用流程4) 相关配置文件中与图片存储相关的关键参数说明。请提供具体的路径示例、引用格式样例及必要的技术细节以清晰展示Dify系统处理Word文档中图片资源的完整机制。Trae的答案word图片存储地址我们去目录下看看果然是果然是图片展示过程那其他格式的文档会进行存储吗我们也问问这是trae分析代码的答案看来是不会了。只有word。替他格式文档会解析图片存储吗ok我们将chatflow中的知识库切换为word的知识库。试一下。很棒也成功了word图文混排测试这是LLM的答案text: 根据知识库检索结果网格2.0的“留利润”子策略做法如下\n\n**核心思想**在每一次网格卖出操作中将**利润部分留下**。由于这部分是0成本因此可以无限期持有不受市场短期波动影响并有望获得长期收益。\n\n**具体做法基础版本**\n1. 以初始价格例如1元买入一定金额例如10000元的品种获得相应份额例如10000份。\n2. 当价格上涨至网格卖出点位例如1.05元时执行卖出操作。\n3. 卖出时**仅卖出收回本金所需的部分份额**将利润对应的份额留下。\n * **举例说明**1元买入10000元10000份在1.05元卖出时卖出价值10000元的9524份剩下的476份即5%的利润**永不卖出**或仅在品种达到极度高估时才考虑卖出。\n * \n\n**策略的进化高级版本**\n你还可以选择**留下多于利润的本金**实现更强的长期持仓效果。\n* **举例说明留双份利润**同样在1.05元卖出时不仅可以留下5%的利润还可以额外留下5%的本金。即卖出9048份价值9500元将500元利润与500元本金对应的份额留下这部分**长期持有**或极度高估时再卖。\n* \n\n**策略优势**\n这种方法利用了**金融心理学**中的“心理账户”概念将利润部分视为“免费得到”的资产有助于**减少情绪化交易**并能够享受到指数型品种**长期上涨**带来的收益。word方案总结所以word方案总结下来就是成本短期相对低一些不需要单独的图床服务器图片存储在dify的 Docker 卷中开箱即用。但是基本上无法迁移而且图片还无法管理因为图片都是完全的系统生成的名字。最后所以到底怎么选择呢一张表给大家总结下维度Markdown 图床方案Word 导入方案部署成本中需要额外图床服务低无额外服务操作便捷性中需要上传图片到图床高写完 Word 直接上传长期管理高图片资源独立易于维护低图片存储黑盒不易管理数据迁移性高标准 Markdown通用性强极低图片链接与系统强绑定推荐场景公司生产环境、长期项目、多人协作个人实验、快速原型、临时项目这样看起来大家是不是立刻知道如何选择了所以•想快速验证、不在乎以后那就用 Word 方案省时省力。•但凡是公司用考虑长期维护那图床这个服务器和服务运维的投入我认为是绕不过去的坎。希望这个对比能帮你省下纠结的时间。如何学习AI大模型作为一名热心肠的互联网老兵我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】一、全套AGI大模型学习路线AI大模型时代的学习之旅从基础到前沿掌握人工智能的核心技能二、640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。三、AI大模型经典PDF籍随着人工智能技术的飞速发展AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型如GPT-3、BERT、XLNet等以其强大的语言理解和生成能力正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。四、AI大模型商业化落地方案作为普通人入局大模型时代需要持续学习和实践不断提高自己的技能和认知水平同时也需要有责任感和伦理意识为人工智能的健康发展贡献力量。