在知识库问答场景中，用户的问题大致可以分为两类：一类是具体问题，比如"产品的退货政策是什么"；另一类是总结类问题，比如"帮我概括一下这份文档的核心观点"。
对于具体问题，传统的分段检索表现良好。但面对总结类问题，效果往往不尽如人意。原因在于：文档被切分成独立的 Chunk（分段）后，Chunk 之间彼此孤立，检索时只能返回单个最相关的片段，模型缺乏足够的上下文来生成完整的回答。
GraphRAG 通过构建实体关系图谱解决了这一问题，但实现复杂度较高。dify 1.12.0 推出的 Summary Index 提供了一个更轻量的方案：通过为 Chunk 添加摘要字段，让语义相关的内容能够被一起召回。
Summary Index 为每个 Chunk 增加了一个 Summary 字段。
以一份技术文档为例，其中有三个 Chunk 分别介绍架构设计、性能优化和部署流程。在传统模式下，这三个 Chunk 各自独立存储和检索。引入 Summary Index 后，你可以为每个 Chunk 设置 Summary，比如都填写"系统技术方案概述"。
Chunk 内容和 Summary 内容都会向量化后存入数据库。检索时，用户问题同时与两者匹配：命中 Chunk 则返回该 Chunk；命中 Summary 则召回所有具有相同或语义相似 Summary 的 Chunk。总结类问题更容易命中概括性的 Summary，从而获得更完整的上下文，回答质量也相应提升。
Dify 提供了三种为段落添加摘要的方式：
在知识库的段落列表中，新增了 summary 字段。支持单个段落编辑。
1.12.0 版本的 Service API 已支持 summary 字段。如果文档本身具有结构化摘要（如论文的 abstract、研报的 executive summary），可以通过 API 批量导入，将现有摘要与对应段落关联。
帮助文档：
https://docs.dify.ai/api-reference/datasets/get-knowledge-base-list
社区版用户在创建知识库时，可开启"自动生成摘要"选项，配置 LLM 模型和 instruction 后，系统将自动为各 Chunk 生成 Summary。对于已有的知识库，也可以在文档列表页面选中文档（支持多选），批量生成 Summary。由于摘要质量直接影响检索效果，建议对自动生成的结果进行人工审核。
配置完成后，可在知识库的 Retrieval Testing 中测试 Summary 是否生效。
以一份产品知识库为例，输入"What are the main hardware components of InnovateSphere?"进行测试。结果显示三个 Chunk 同时被召回，它们分别介绍 QPU、NSC 和 Gelware，但使用同一个 Summary。这说明查询命中了 Summary，而不是单独命中某个 Chunk。这样 LLM 就能基于更完整的上下文作答，减少遗漏和片面回答。
如果召回结果不符合预期，可以检查 Summary 的措辞是否足够概括，或者是否与目标查询的语义接近。
在 Workflow 中，Knowledge Retrieval 节点同样支持 Summary Index，命中 Summary 时会返回所有相关 Chunk，可直接作为上下文传入 LLM 节点。
文档本身带有摘要
学术论文、行业研报、技术白皮书等文档通常自带 abstract 或 executive summary，可以直接写入对应 Chunk，几乎不需要额外工作。
总结类问题频繁出现
当用户经常问"核心观点是什么""帮我总结一下"这类需要跨 Chunk 回答的问题时，Summary Index 能显著提升回答质量。
团队愿意投入数据治理
摘要需要人工编写或审核。如果团队重视知识库质量，Summary Index 提供了一个新的优化维度。
知识库检索的核心挑战之一，是如何在切分文档的同时保留内容之间的语义联系。Summary Index 提供了一个轻量的解法：不改变分段逻辑，只在 Chunk 上加一层摘要，就能让相关内容在检索时重新聚合。
粤ICP备14082021号
免费POC，
零成本试错
