実装の内側で起きていること (1.11.0)

状態: draft / バージョン: 1.11.0 (2025-12-11)

TL;DR

• multimodal embedding model を使用していますか？その場合、テキストと画像の両方がベクトル化されます。これにより、以下が可能になります。
• テキスト ↔ 画像検索、
• 画像 ↔ 画像検索、
• または画像 ↔ テキスト検索。

想定読者

• Dify 1.11.0 へのアップグレードを検討しているチーム
• What’s Actually Happening 周辺の機能を業務で使うエンジニア／運用者

なぜ重要か

(執筆予定: この機能が解決する課題と運用上のインパクトを書く)

リリースノート抜粋

1. Auto‑Image Extraction
   Markdown画像を含むドキュメント（例: ![vibe](https://cats.png)）をドロップすると、Difyが自動的に画像を抽出します（JPG, PNG, GIF ≤ 2 MB）。
2. Smart Attachment Handling
   各画像は対応するテキストチャンクにリンクされ、コンテキストが密接に保たれます。
3. Embedding Behavior
   • マルチモーダル埋め込みモデルを使用していますか？その場合、テキストと画像の両方がベクトル化されます。次のことが可能です。
     • テキスト ↔ 画像検索、
     • 画像 ↔ 画像検索、
     • または画像 ↔ テキスト検索。
       基本的に、すべて ↔ すべてです。
   • 通常のテキストのみのモデルを使用していますか？問題ありません。画像は引き続き処理され、Vision対応のLLMを使用する際にプロンプトに表示されます。
4. Developer Candy
   Knowledge PipelineのKnowledgeBaseノードは、2つの新しい方言に対応しました —
   • multimodal‑Parent‑Child
   • multimodal‑General
     Difyに構造化された混合モダリティデータを手間なく供給したいPlugin開発者にとって最適です。
5. Supported Multimodal Models （ヒント: 以下のPluginを最新バージョンに更新してください）
   • AWS Bedrock: nova‑2‑multimodal‑embeddings‑v1:0
   • Google Vertex AI: multimodalembedding@001
   • Jina: jina‑embedding‑v4, jina‑clip‑v1, jina‑clip‑v2, jina‑reranker‑m0
   • Tongyi (Qwen): multimodal‑embedding‑v1

すべてが埋め込まれると、Knowledge Baseに新しいMultimodalタグが表示されます。これでデータが2次元になり（そして2倍クールに）なったからです。

Difyに視覚インテリジェンスをもたらしてくれた@JohnJyong (#29115)と@WTW0313 (#27793)に心から感謝します。真のレジェンドです。

アウトライン（執筆予定）

1. これまでの課題

(執筆予定)

2. 1.11.0 で何が変わったか

(執筆予定 — 上記抜粋を整理)

3. 使い方 / 設定手順

(執筆予定)

4. 運用上の注意点・トレードオフ

(執筆予定)

5. 関連リンク

(執筆予定)

検証が必要な事項

• [ ] 関連 PR 番号の特定
• [ ] 公式 Docs の該当ページ
• [ ] 実際の挙動確認（Dify Cloud or self-host）
• [ ] 既知の制限事項

ソース:
- GitHub Release 1.11.0

本記事は非公式まとめです。正式仕様は Dify 公式ドキュメント をご確認ください。