Basis pengetahuan

Misalnya: "Bantu saya memilih ponsel Alibaba Cloud Model Studio dengan kamera terbaik di bawah 3.000 CNY."

• Tanya-Jawab Dokumen Dasar: Ideal untuk pencarian semantik pada dokumen teks biasa.
• Balasan Teks Kaya: Ideal untuk kasus penggunaan yang memerlukan respons berisi teks dan gambar.

Jenis basis pengetahuan tidak dapat diubah setelah basis pengetahuan dibuat.

• Pencarian dokumen
  • Kasus penggunaan:
    • Ideal untuk mengambil informasi dari data tidak terstruktur, seperti dokumen internal perusahaan dan manual produk. Data tidak terstruktur adalah informasi yang tidak diorganisasi dalam model data atau skema yang telah ditentukan dan dapat mencakup teks, tabel, dan gambar.
    • Jika file Anda berisi gambar yang ingin disertakan aplikasi dalam responsnya, pilih pencarian dokumen.
  • Sumber data: Anda dapat mengunggah file lokal atau mengimpornya dari Object Storage Service (OSS).
    Pembuatan pencarian dokumen

    1. Pilih data: Tentukan sumber data (file atau konten) untuk basis pengetahuan. Sistem mengimpor konten sumber ke basis pengetahuan untuk pengambilan data. Anda dapat menggunakan unggah lokal atau impor cloud (dengan memilih kategori atau file yang sudah ada).
       • Unggah lokal: Unggah file langsung dari komputer Anda. Buka panel yang dapat dilipat di bawah untuk mempelajari cara memilih metode penguraian.
         Metode penguraian

         Konfigurasikan strategi penguraian berdasarkan kebutuhan Anda. Jika ragu opsi mana yang dipilih, kami sarankan menggunakan pengaturan default.

         • Digital Parsing: Tidak mengurai ilustrasi atau grafik dalam file. Ini adalah metode penguraian tercepat. Dokumen teks biasa 10–20 halaman biasanya diurai dalam beberapa detik hingga 1 menit.
         • Penguraian Dokumen Cerdas: Mengenali dan mengekstraksi teks dari ilustrasi dalam file Anda untuk menghasilkan ringkasan teks. Ringkasan ini, bersama konten non-gambar lainnya, kemudian dipecah menjadi chunk dan divectorisasi untuk pengambilan data. Metode ini relatif cepat. Dokumen 10–20 halaman dengan ilustrasi biasanya membutuhkan waktu 1–5 menit untuk diurai.
         • Penguraian LLM: Memungkinkan aplikasi yang menggunakan model Qwen-VL menjawab pertanyaan tentang konten ilustrasi dan grafik dalam file Anda. Untuk mengaktifkan pengenalan dan pemahaman konten ini, pilih LLM Parsing. Karena metode ini memanggil LLM untuk pemahaman mendalam, dokumen 10–20 halaman dengan grafik biasanya membutuhkan waktu 2–10 menit untuk diurai.
         • Penguraian Qwen-VL: Dirancang khusus untuk file gambar. Anda dapat menentukan model Qwen-VL dan memberikan prompt untuk memandu pengenalan dan ekstraksi tata letak dan elemen gambar. Satu gambar biasanya diurai dalam beberapa detik hingga 1 menit.
       • Impor cloud: Impor file yang sudah ada dari Object Storage Service (OSS).
    2. Konfigurasi indeks: Menentukan cara data yang diimpor diproses dan disimpan, yang secara langsung memengaruhi kinerja pengambilan data.

       Di antara pengaturan berikut, hanya penyimpanan vektor dengan AnalyticDB for PostgreSQL (ADB-PG) yang mungkin dikenai biaya. Semua pengaturan lainnya gratis.

       • Ekstraksi metadata
       • Rakit header Excel
       • Metode Chunking
       • Penulisan ulang percakapan multi-turn
       • Model penyematan
       • Model penyusunan ulang
       • Ambang batas kemiripan
       • Jumlah recall maksimum
       • Penyimpanan vektor

       Metadata terdiri dari atribut tambahan untuk data tidak terstruktur, yang diintegrasikan ke dalam chunk sebagai pasangan kunci-nilai.

       • Tujuan: Metadata memberikan konteks penting untuk chunk dan dapat secara signifikan meningkatkan akurasi pengambilan data basis pengetahuan. Misalnya, pertimbangkan basis pengetahuan yang berisi ribuan file pengenalan produk di mana nama file adalah nama produk. Ketika pengguna mencari "gambaran fungsi Produk A," jika isi setiap file berisi "gambaran fungsi" tetapi tidak ada yang menyebut "Produk A," basis pengetahuan mungkin mengambil banyak chunk yang tidak relevan. Namun, jika Anda menambahkan nama produk sebagai metadata ke semua chunk, basis pengetahuan dapat secara akurat memfilter chunk yang terkait dengan "Produk A" dan juga berisi "gambaran fungsi." Ini meningkatkan akurasi pengambilan data dan mengurangi konsumsi token input LLM.
       • Penggunaan: Saat Anda memanggil aplikasi menggunakan API, Anda dapat menentukan metadata dalam parameter permintaan metadata_filter. Saat aplikasi mengambil informasi dari basis pengetahuan, aplikasi pertama-tama memfilter file yang relevan berdasarkan metadata yang ditentukan.
       • Catatan: Anda tidak dapat mengonfigurasi ekstraksi metadata setelah basis pengetahuan dibuat.

       Konfigurasi metadata

       Aktifkan Ekstraksi metadata, lalu klik Settings untuk melampirkan metadata seragam atau personal ke semua file dalam basis pengetahuan. Selama pemecahan chunk, metadata untuk setiap file diintegrasikan ke dalam chunk masing-masing.

       Templat metadata baru

       Metode ekstraksi nilai

       • Konstan: Melampirkan atribut tetap ke semua file dalam basis pengetahuan.

         Seperti pada contoh sebelumnya, jika semua file dalam basis pengetahuan memiliki penulis yang sama, Anda dapat mengatur konstan untuk bidang bernama author.

       • Variabel: Melampirkan atribut variabel ke setiap file dalam basis pengetahuan. Atribut yang didukung saat ini adalah file_name dan cat_name. Jika Anda memilih file_name, Alibaba Cloud Model Studio melampirkan nama file ke metadatanya, seperti pada contoh sebelumnya. Jika Anda memilih cat_name, Alibaba Cloud Model Studio melampirkan nama kategori yang berisi file ke metadata file tersebut.
       • LLM: Sistem mencocokkan konten file dengan aturan Deskripsi Entitas yang dikonfigurasi, mengekstraksi informasi yang relevan, dan melampirkannya sebagai atribut metadata.

         Seperti pada templat metadata pada contoh sebelumnya, untuk mengekstraksi semua tahun yang muncul di setiap file sebagai atribut file, Anda dapat mengonfigurasi bidang LLM bernama date. Deskripsi entitas dikonfigurasi sebagai berikut:

         Di kotak input Deskripsi Entitas, masukkan informasi tanggal, ekstrak hanya tahunnya, lalu klik OK.
       • RegEx: Sistem mencocokkan konten teks setiap file dalam basis pengetahuan dengan ekspresi reguler yang ditentukan. Konten yang cocok dengan ekspresi diekstraksi dan ditambahkan sebagai atribut ke metadata file.

         Seperti pada templat meta informasi pada contoh di atas, jika Anda perlu mengekstraksi semua referensi yang muncul di setiap file (dengan asumsi referensi adalah teks apa pun yang dimulai dengan '《' dan diakhiri dengan '》'), Anda dapat mengonfigurasi bidang ekspresi reguler bernama reference. Ekspresi reguler dikonfigurasi sebagai berikut:

         Atur nilai ekspresi reguler ke 《.*?》.
       • Pencarian kata kunci: Sistem mencari setiap file untuk kata kunci yang telah ditentukan dan menambahkan kata kunci yang cocok sebagai atribut ke metadata file.

         Misalnya, dalam templat metadata pada contoh sebelumnya, kata kunci yang telah ditentukan adalah:

         Karena file hanya berisi kata kunci "financing," "industry," "green," dan "capital," sistem hanya mengekstraksi keempat kata kunci ini sebagai nilai untuk atribut keywords file tersebut.

       Digunakan untuk Pengambilan Data: Jika diaktifkan, bidang dan nilai metadata digunakan untuk pengambilan data basis pengetahuan bersama konten chunk. Jika dinonaktifkan, hanya konten chunk yang digunakan untuk pengambilan data.Digunakan untuk Balasan Model: Jika diaktifkan, bidang dan nilai metadata diberikan ke LLM sebagai input untuk pembuatan respons bersama konten chunk. Jika dinonaktifkan, hanya konten chunk yang diberikan ke LLM untuk pembuatan respons.

       Jika diaktifkan, basis pengetahuan memperlakukan baris pertama semua file XLSX dan XLS sebagai header dan secara otomatis menambahkannya ke setiap chunk (baris data). Ini mencegah LLM salah mengartikan header sebagai baris data biasa.Lingkup: Pengaturan ini hanya berlaku untuk file tabel XLSX dan XLS dalam basis pengetahuan, dan memperlakukan baris pertama setiap file sebagai header. Tidak berlaku untuk format non-tabel seperti PDF, Word, atau Markdown. Pengaturan ini berlaku saat basis pengetahuan dibuat (selama pemecahan dokumen menjadi chunk) dan, seperti strategi pemecahan chunk, tidak dapat diubah setelah basis pengetahuan dibuat.Logika pemrosesan: Basis pengetahuan memecah file tabel berdasarkan baris data: setiap baris selain baris pertama (header) menjadi chunk terpisah. Saat pengaturan ini diaktifkan, baris header secara otomatis ditambahkan ke setiap chunk baris data, sehingga setiap chunk membawa nama kolom (header) dan data baris. Ini memungkinkan LLM menginterpretasikan setiap bidang dengan benar berdasarkan nama kolomnya, dan baris header tidak lagi diproses sebagai baris data biasa, yang menghindari kebingungan semantik selama pengambilan data dan tanya-jawab.

       Anda tidak perlu mengaktifkan pengaturan ini jika basis pengetahuan berisi file dalam format lain, seperti PDF, atau jika file tabel tidak berisi baris header.

       Pilih pemecahan chunk cerdas (direkomendasikan).

       Tujuan: Basis pengetahuan memecah file menjadi chunk dan mengonversinya menjadi vektor menggunakan model penyematan. Chunk dan vektor tersebut kemudian disimpan sebagai pasangan kunci-nilai dalam database vektor. Setelah basis pengetahuan dibuat, Anda dapat melihat atau mengedit konten spesifik (teks dan gambar) setiap chunk.

       Judul chunk: Selain konten tubuhnya, setiap chunk membawa judul yang ditampilkan dalam daftar chunk, digunakan untuk mengidentifikasi chunk, dan disertakan dalam pengambilan data. Basis pengetahuan menghasilkan judul chunk secara otomatis selama penguraian dokumen cerdas, berdasarkan hirarki heading yang terdeteksi. Judul chunk memiliki dua bentuk: judul pendek (title, heading terdekat yang dimiliki chunk) dan judul hirarkis (hier_title, jalur lengkap dari heading tingkat atas hingga heading saat ini, dengan level yang digabungkan oleh |>, misalnya Heading 1|>Heading 2). Oleh karena itu, semakin jelas struktur heading dokumen (seperti file PDF, Word, atau Markdown dengan heading bagian yang terbentuk dengan baik), semakin lengkap judul chunk yang dihasilkan; untuk file mirip tabel yang dipecah berdasarkan baris data dan biasanya tidak memiliki hirarki heading tekstual (seperti Excel), judul chunk bergantung pada apakah hirarki heading terdeteksi selama penguraian, dan mungkin kosong jika tidak terdeteksi. Anda juga dapat mengedit judul chunk secara manual dalam manajemen chunk.

       Catatan: Setelah basis pengetahuan dibuat, Anda tidak dapat mengubah pengaturan pemecahan dokumen menjadi chunk. Strategi pemecahan chunk yang tidak tepat dapat mengurangi kinerja pengambilan data dan recall.

       Jika diaktifkan, fitur ini menggunakan model khusus untuk menulis ulang kueri pengguna dengan memasukkan riwayat percakapan. Proses ini menciptakan kueri lengkap dan mandiri untuk pengambilan data basis pengetahuan.

       Model penyematan mengonversi prompt input asli dan teks pengetahuan menjadi vektor numerik sehingga sistem dapat menghitung kemiripan semantik. Model default Vektor Resmi (text-embedding-v2) mendukung berbagai bahasa selain Tionghoa dan Inggris serta menormalisasi vektor yang dihasilkan. Pengaturan ini tidak dapat diubah.Dimensi vektor untuk bersifat tetap dan tidak dapat dimodifikasi:

       • Vektor Resmi (text-embedding-v2): 1.536 dimensi
       • qwen3-vl-embedding: Diaktifkan secara otomatis saat kasus penggunaan pemahaman visual dipilih. Mendukung pembuatan vektor untuk gambar dan dokumen teks kaya setelah pemahaman visual.

       Model penyusunan ulang berada di luar basis pengetahuan. Model ini menyusun ulang chunk kandidat dari pengambilan vektor awal dan mengembalikan K chunk teratas dengan skor kemiripan tertinggi. Penyusun ulang resmi yang direkomendasikan, qwen3-rerank (hibrida), mempertimbangkan relevansi semantik dan fitur pencocokan teks (seperti skor BM25) untuk menangani kueri yang memerlukan hit kata kunci tepat. Jika Anda hanya memerlukan penyusunan ulang semantik, pilih qwen3-rerank.Reranking model modeSaat membuat basis pengetahuan, Anda dapat memilih salah satu dari tiga mode berikut untuk model penyusunan ulang:

       • Mode Tanya-Jawab (default): Memberi skor berdasarkan "relevansi Tanya-Jawab" antara kueri dan chunk kandidat. Mode ini cocok untuk skenario di mana pengguna mengajukan pertanyaan lengkap dan berharap menemukan jawaban dalam sebuah chunk.
       • Mode Kemiripan: Memberi skor berdasarkan "kemiripan semantik" antara kueri dan chunk kandidat. Mode ini cocok untuk skenario di mana kueri dan chunk memiliki gaya ekspresi yang serupa.
       • Mode lanjutan kustom: Memungkinkan Anda memasukkan instruksi bahasa alami hingga 200 karakter untuk memengaruhi proses penyusunan ulang. Mode ini cocok untuk skenario dengan persyaratan penyusunan ulang khusus.

       Anda dapat memilih mode model penyusunan ulang hanya saat membuat basis pengetahuan. Anda tidak dapat mengubahnya setelah pembuatan. Sebelum mengonfigurasi pengaturan ini, perhatikan batasan berikut:

       • Batasan jenis basis pengetahuan: Fitur ini hanya berlaku untuk basis pengetahuan pencarian dokumen, Kueri Data, dan pencarian audio/video. Fitur ini tidak didukung untuk basis pengetahuan Tanya-Jawab Gambar.
       • Batasan kasus penggunaan: Fitur ini hanya didukung untuk kasus penggunaan Tanya-Jawab Dokumen Dasar dan Balasan Teks Kaya. Fitur ini tidak didukung untuk kasus penggunaan pemahaman visual (dokumen teks kaya) dan Tanya-Jawab Cepat.

       Ambang batas ini menetapkan skor kemiripan minimum yang diperlukan agar chunk diambil dari hasil model penyusunan ulang.

       Ini adalah ambang batas kemiripan default untuk basis pengetahuan. Saat Anda mengaitkan basis pengetahuan dengan aplikasi Alibaba Cloud Model Studio tertentu, Anda dapat mengatur ambang batas terpisah untuk aplikasi tersebut, yang menggantikan ambang batas default basis pengetahuan.

       Menurunkan ambang batas ini mengambil lebih banyak chunk tetapi mungkin menyertakan konten yang kurang relevan. Sebaliknya, menaikkannya mengambil lebih sedikit chunk dan mungkin menyebabkan chunk relevan dibuang jika diatur terlalu tinggi.

       Anda dapat menggunakan pengujian hit untuk menyesuaikan ambang batas kemiripan guna menyeimbangkan recall dan presisi.

       Sistem mengambil chunk yang terkait dengan input dari semua basis pengetahuan yang terkait, menyusun ulang menggunakan model penyusunan ulang, dan memilih K chunk paling relevan untuk ditambahkan ke input LLM sebagai konteks. Nilai K ini adalah jumlah recall maksimum (hingga 20), dan menentukan jumlah chunk yang diberikan model penyusunan ulang ke LLM sebagai konteks.

       Meningkatkan nilai ini dapat meningkatkan akurasi respons LLM tetapi juga meningkatkan konsumsi token input LLM.

       Pilih database vektor untuk menyimpan vektor teks. Database vektor Built-in cukup untuk operasi dasar basis pengetahuan. Untuk kemampuan lanjutan seperti manajemen database, audit, atau pemantauan, kami merekomendasikan AnalyticDB for PostgreSQL (ADB-PG).

       Saat membeli instans AnalyticDB for PostgreSQL (ADB-PG), Anda harus mengaktifkan Optimalisasi Mesin Vektor. Jika tidak, Alibaba Cloud Model Studio tidak dapat menggunakan instans tersebut.

    Pembuatan pemahaman visual

    Saat Anda memilih kasus penggunaan pemahaman visual (dokumen teks kaya), basis pengetahuan menggunakan model penyematan multimoda untuk memahami dokumen secara visual dan mempertahankan informasi tata letak asli, alih-alih menggunakan metode pemecahan chunk tradisional.

    Batasan format file

    Di area unggah file tab Pilih data, arahkan kursor ke Lihat persyaratan format untuk melihat persyaratannya.

    Perbedaan konfigurasi indeks

    Konfigurasi indeks untuk kasus penggunaan pemahaman visual berbeda dari Tanya-Jawab Dokumen Dasar:

    • Model penyematan: Model qwen3-vl-embedding dipilih secara otomatis dan tidak dapat diubah setelah pembuatan.
    • Penulisan ulang percakapan multi-turn: Dapat diaktifkan atau dinonaktifkan.
    • Ambang batas kemiripan: Defaultnya adalah 0,20.
    • Jumlah recall maksimum akhir: Defaultnya adalah 5.
    • Metode pemecahan chunk: Pemahaman visual tidak menggunakan metode pemecahan chunk tradisional seperti pemecahan chunk cerdas atau kustom. Sebagai gantinya, model ini memahami seluruh halaman dokumen berdasarkan pengindeksan visual.

    Batasan pengeditan

    • Model penyematan (qwen3-vl-embedding) dan jenis penyimpanan vektor (bawaan) tidak dapat diubah setelah pembuatan.
    • Anda hanya dapat mengubah edisi basis pengetahuan satu kali per hari.
• Kueri data
  • Kasus penggunaan:
    • Ideal untuk membangun sistem tanya-jawab berdasarkan data terstruktur (data yang diorganisasi sesuai skema tabel yang telah ditentukan), seperti asisten untuk menanyakan FAQ, data produk, atau informasi personel.
    • Jika data Anda terdiri dari pasangan pertanyaan-jawaban FAQ lengkap, pilih Kueri Data. Misalnya, jika file Excel berisi dua kolom, Question dan Answer, basis pengetahuan Kueri Data dapat menggunakan kolom Question untuk pengambilan data dan kolom Answer sebagai konteks untuk respons LLM.

      Pemrosesan spesifik kolom ini tidak tersedia dalam jenis basis pengetahuan pencarian dokumen.

    • Anda dapat mengimpor beberapa file Excel, tetapi skema tabelnya harus identik.
  • Integrasi sumber data: Anda dapat mengunggah file XLS atau XLSX lokal.
    Pembuatan kueri data

    1. Pilih data: Tentukan sumber data (file atau konten) untuk basis pengetahuan. Sistem mengimpor konten sumber ke basis pengetahuan untuk pengambilan data. Anda dapat menggunakan unggah lokal atau impor cloud.
       Sumber data tidak dapat diubah setelah Anda membuat basis pengetahuan. Satu basis pengetahuan hanya mendukung satu sumber data.
       • Unggah lokal: Unggah tabel data dalam format XLS atau XLSX dari komputer Anda. Baris pertama harus berupa header tabel.
       • Impor cloud (pilih tabel data): Pilih tabel data yang sudah ada dari Alibaba Cloud Model Studio.
    2. Konfigurasi indeks: Menentukan cara data yang diimpor diproses dan disimpan, yang secara langsung memengaruhi kinerja pengambilan data.

       Di antara pengaturan berikut, hanya penyimpanan vektor dengan AnalyticDB for PostgreSQL (ADB-PG) yang mungkin dikenai biaya. Semua pengaturan lainnya gratis.

       • Pengaturan pengambilan data dan balasan
       • Penulisan ulang percakapan multi-turn
       • Model penyematan
       • Model penyusunan ulang
       • Ambang batas kemiripan
       • Jumlah recall maksimum
       • Penyimpanan vektor

       • Used for Retrieval: Jika diaktifkan, basis pengetahuan melakukan pengambilan data pada kolom ini.
       • Used for Model Reply: Jika diaktifkan, hasil pengambilan data dari kolom ini diberikan ke LLM sebagai konteks untuk pembuatan respons. Misalnya, jika Anda mengaktifkan Used for Retrieval untuk kolom "Nama," "Jenis Kelamin," "Posisi," dan "Usia," tetapi hanya mengaktifkan Used for Model Reply untuk kolom "Nama" dan "Posisi," basis pengetahuan mengambil data dari keempat kolom tersebut. Namun, hanya konten dari kolom "Nama" dan "Posisi" dari data yang diambil yang diberikan ke LLM sebagai konteks untuk responsnya. Karena kolom "Usia" tidak diaktifkan untuk balasan model, LLM yang terkait dengan basis pengetahuan ini tidak dapat menjawab pertanyaan "Berapa usia Zhang San?".

       Jika diaktifkan, fitur ini menggunakan model khusus untuk menulis ulang kueri pengguna dengan memasukkan riwayat percakapan. Proses ini menciptakan kueri lengkap dan mandiri untuk pengambilan data basis pengetahuan.

       Model penyematan mengonversi prompt input asli dan teks pengetahuan menjadi vektor numerik sehingga sistem dapat menghitung kemiripan semantik. Model default Vektor Resmi (text-embedding-v2) mendukung berbagai bahasa selain Tionghoa dan Inggris serta menormalisasi vektor yang dihasilkan. Pengaturan ini tidak dapat diubah.Dimensi vektor untuk bersifat tetap dan tidak dapat dimodifikasi:

       • Vektor Resmi (text-embedding-v2): 1.536 dimensi
       • qwen3-vl-embedding: Diaktifkan secara otomatis saat kasus penggunaan pemahaman visual dipilih. Mendukung pembuatan vektor untuk gambar dan dokumen teks kaya setelah pemahaman visual.

       Model penyusunan ulang berada di luar basis pengetahuan. Model ini menyusun ulang chunk kandidat dari pengambilan vektor awal dan mengembalikan K chunk teratas dengan skor kemiripan tertinggi. Penyusun ulang resmi yang direkomendasikan, qwen3-rerank (hibrida), mempertimbangkan relevansi semantik dan fitur pencocokan teks (seperti skor BM25) untuk menangani kueri yang memerlukan hit kata kunci tepat. Jika Anda hanya memerlukan penyusunan ulang semantik, pilih qwen3-rerank.Mode model penyusunan ulangSaat membuat basis pengetahuan, Anda dapat memilih salah satu dari tiga mode berikut untuk model penyusunan ulang:

       • Mode Tanya-Jawab (default): Memberi skor berdasarkan "relevansi Tanya-Jawab" antara kueri dan chunk kandidat. Mode ini cocok untuk skenario di mana pengguna mengajukan pertanyaan lengkap dan berharap menemukan jawaban dalam sebuah chunk.
       • Mode Kemiripan: Memberi skor berdasarkan "kemiripan semantik" antara kueri dan chunk kandidat. Mode ini cocok untuk skenario di mana kueri dan chunk memiliki gaya ekspresi yang serupa.
       • Mode lanjutan kustom: Memungkinkan Anda memasukkan instruksi bahasa alami hingga 200 karakter untuk memengaruhi proses penyusunan ulang. Mode ini cocok untuk skenario dengan persyaratan penyusunan ulang khusus.

       Anda dapat memilih mode model penyusunan ulang hanya saat membuat basis pengetahuan. Anda tidak dapat mengubahnya setelah pembuatan. Sebelum mengonfigurasi pengaturan ini, perhatikan batasan berikut:

       • Batasan jenis basis pengetahuan: Fitur ini hanya berlaku untuk basis pengetahuan pencarian dokumen, Kueri Data, dan pencarian audio/video. Fitur ini tidak didukung untuk basis pengetahuan Tanya-Jawab Gambar.
       • Batasan kasus penggunaan: Fitur ini hanya didukung untuk kasus penggunaan Tanya-Jawab Dokumen Dasar dan Balasan Teks Kaya. Fitur ini tidak didukung untuk kasus penggunaan pemahaman visual (dokumen teks kaya) dan Tanya-Jawab Cepat.

       Ambang batas ini menetapkan skor kemiripan minimum yang diperlukan agar chunk diambil dari hasil model penyusunan ulang.

       Ini adalah ambang batas kemiripan default untuk basis pengetahuan. Saat Anda mengaitkan basis pengetahuan dengan aplikasi Alibaba Cloud Model Studio tertentu, Anda dapat mengatur ambang batas terpisah untuk aplikasi tersebut, yang menggantikan ambang batas default basis pengetahuan.

       Menurunkan ambang batas ini mengambil lebih banyak chunk tetapi mungkin menyertakan konten yang kurang relevan. Sebaliknya, menaikkannya mengambil lebih sedikit chunk dan mungkin menyebabkan chunk relevan dibuang jika diatur terlalu tinggi.

       Anda dapat menggunakan pengujian hit untuk menyesuaikan ambang batas kemiripan guna menyeimbangkan recall dan presisi.

       Sistem mengambil chunk yang terkait dengan input dari semua basis pengetahuan yang terkait, menyusun ulang menggunakan model penyusunan ulang, dan memilih K chunk paling relevan untuk ditambahkan ke input LLM sebagai konteks. Nilai K ini adalah jumlah recall maksimum (hingga 20), dan menentukan jumlah chunk yang diberikan model penyusunan ulang ke LLM sebagai konteks.

       Meningkatkan nilai ini dapat meningkatkan akurasi respons LLM tetapi juga meningkatkan konsumsi token input LLM.

       Pilih database vektor untuk menyimpan vektor teks. Database vektor Built-in cukup untuk operasi dasar basis pengetahuan. Untuk kemampuan lanjutan seperti manajemen database, audit, atau pemantauan, kami merekomendasikan AnalyticDB for PostgreSQL (ADB-PG).

       Saat membeli instans AnalyticDB for PostgreSQL (ADB-PG), Anda harus mengaktifkan Optimalisasi Mesin Vektor. Jika tidak, Alibaba Cloud Model Studio tidak dapat menggunakan instans tersebut.

• Tanya-Jawab Gambar
  • Kasus penggunaan:
    • Ideal untuk membangun aplikasi pengambilan data multimoda yang mendukung pencarian berdasarkan gambar dan pencarian berdasarkan gambar-plus-teks, seperti asisten penemuan produk atau asisten tanya-jawab visual.
  • Integrasi sumber data: Anda dapat mengunggah file XLS atau XLSX lokal.

    File XLS dan XLSX harus berisi URL gambar yang dapat diakses publik untuk membangun indeks gambar. Untuk detailnya, lihat instruksi pembuatan di bawah.

    Pembuatan Tanya-Jawab Gambar

    1. Pilih data: Tentukan sumber data (file atau konten) untuk diimpor ke basis pengetahuan untuk pengambilan data. Anda dapat menggunakan unggah lokal atau impor cloud (pilih tabel data yang sudah ada dari konektor data).
       Sumber data tidak dapat diubah setelah pembuatan, dan satu basis pengetahuan hanya mendukung satu sumber data.
       • Unggah lokal: Unggah tabel data dalam format XLS atau XLSX langsung dari komputer Anda.
         • Persyaratan bidang: Tabel data harus berisi setidaknya satu bidang bertipe image_url untuk menghasilkan indeks gambar.
         • Proses pembuatan: Basis pengetahuan mengakses URL gambar di bidang image_url, mengekstraksi fitur visual, dan mengonversinya menjadi vektor untuk disimpan.
         • Proses pengambilan data: Basis pengetahuan membandingkan vektor yang dihasilkan dari gambar yang diunggah pengguna dengan vektor gambar yang disimpan dan mengembalikan catatan paling relevan.
       • Impor cloud (pilih tabel data): Pilih tabel data yang sudah ada dari data aplikasi Anda di Alibaba Cloud Model Studio.
    2. Konfigurasi indeks: Menentukan cara data yang diimpor diproses dan disimpan, yang secara langsung memengaruhi kinerja pengambilan data.

       Di antara pengaturan berikut, hanya penyimpanan vektor dengan AnalyticDB for PostgreSQL (ADB-PG) yang mungkin dikenai biaya. Semua pengaturan lainnya gratis.

       • Pengaturan pengambilan data dan balasan
       • Penulisan ulang percakapan multi-turn
       • Model penyematan
       • Model penyusunan ulang
       • Ambang batas kemiripan
       • Jumlah recall maksimum
       • Penyimpanan vektor

       • Used for Retrieval: Jika diaktifkan, basis pengetahuan melakukan pengambilan data pada kolom ini.
       • Used for Model Reply: Jika diaktifkan, hasil pengambilan data dari kolom ini diberikan ke LLM sebagai konteks untuk pembuatan respons. Misalnya, jika Anda mengaktifkan Used for Retrieval untuk kolom "Nama," "Jenis Kelamin," "Posisi," dan "Usia," tetapi hanya mengaktifkan Used for Model Reply untuk kolom "Nama" dan "Posisi," basis pengetahuan mengambil data dari keempat kolom tersebut. Namun, hanya konten dari kolom "Nama" dan "Posisi" dari data yang diambil yang diberikan ke LLM sebagai konteks untuk responsnya. Karena kolom "Usia" tidak diaktifkan untuk balasan model, LLM yang terkait dengan basis pengetahuan ini tidak dapat menjawab pertanyaan "Berapa usia Zhang San?".

       Jika diaktifkan, fitur ini menggunakan model khusus untuk menulis ulang kueri pengguna dengan memasukkan riwayat percakapan. Proses ini menciptakan kueri lengkap dan mandiri untuk pengambilan data basis pengetahuan.

       Model penyematan mengonversi prompt input asli, teks pengetahuan, dan gambar menjadi vektor numerik untuk memungkinkan perbandingan kemiripan. Untuk informasi lebih lanjut, lihat Vektorisasi teks dan multimoda.

       • qwen2.5-vl-embedding: Merepresentasikan input single-modal atau mixed-modal sebagai vektor terpadu, cocok untuk pengambilan data lintas modal dan pencarian gambar. Misalnya, jika Anda memasukkan gambar kemeja dengan teks "temukan gaya serupa yang terlihat lebih muda," model dapat menggabungkan gambar dan instruksi teks menjadi satu vektor untuk pemahaman.
       • multimodal-embedding-v1: Menghasilkan vektor terpisah untuk setiap bagian input (gambar dan teks).
       • qwen3-vl-embedding: Versi peningkatan dari qwen2.5-vl-embedding yang lebih meningkatkan pemahaman fusi gambar-teks dan akurasi pengambilan data lintas modal.

       Model penyusunan ulang berada di luar basis pengetahuan. Model ini menyusun ulang chunk kandidat dari pengambilan vektor awal dan mengembalikan K chunk teratas dengan skor kemiripan tertinggi. Penyusun ulang resmi yang direkomendasikan, qwen3-rerank (hibrida), mempertimbangkan relevansi semantik dan fitur pencocokan teks (seperti skor BM25) untuk menangani kueri yang memerlukan hit kata kunci tepat. Jika Anda hanya memerlukan penyusunan ulang semantik, pilih qwen3-rerank.Mode model penyusunan ulangSaat membuat basis pengetahuan, Anda dapat memilih salah satu dari tiga mode berikut untuk model penyusunan ulang:

       • Mode Tanya-Jawab (default): Memberi skor berdasarkan "relevansi Tanya-Jawab" antara kueri dan chunk kandidat. Mode ini cocok untuk skenario di mana pengguna mengajukan pertanyaan lengkap dan berharap menemukan jawaban dalam sebuah chunk.
       • Mode Kemiripan: Memberi skor berdasarkan "kemiripan semantik" antara kueri dan chunk kandidat. Mode ini cocok untuk skenario di mana kueri dan chunk memiliki gaya ekspresi yang serupa.
       • Mode lanjutan kustom: Memungkinkan Anda memasukkan instruksi bahasa alami hingga 200 karakter untuk memengaruhi proses penyusunan ulang. Mode ini cocok untuk skenario dengan persyaratan penyusunan ulang khusus.

       Anda dapat memilih mode model penyusunan ulang hanya saat membuat basis pengetahuan. Anda tidak dapat mengubahnya setelah pembuatan. Sebelum mengonfigurasi pengaturan ini, perhatikan batasan berikut:

       • Batasan jenis basis pengetahuan: Fitur ini hanya berlaku untuk basis pengetahuan pencarian dokumen, Kueri Data, dan pencarian audio/video. Fitur ini tidak didukung untuk basis pengetahuan Tanya-Jawab Gambar.
       • Batasan kasus penggunaan: Fitur ini hanya didukung untuk kasus penggunaan Tanya-Jawab Dokumen Dasar dan Balasan Teks Kaya. Fitur ini tidak didukung untuk kasus penggunaan pemahaman visual (dokumen teks kaya) dan Tanya-Jawab Cepat.

       Ambang batas ini menetapkan skor kemiripan minimum yang diperlukan agar chunk diambil dari hasil model penyusunan ulang.

       Ini adalah ambang batas kemiripan default untuk basis pengetahuan. Saat Anda mengaitkan basis pengetahuan dengan aplikasi Alibaba Cloud Model Studio tertentu, Anda dapat mengatur ambang batas terpisah untuk aplikasi tersebut, yang menggantikan ambang batas default basis pengetahuan.

       Menurunkan ambang batas ini mengambil lebih banyak chunk tetapi mungkin menyertakan konten yang kurang relevan. Sebaliknya, menaikkannya mengambil lebih sedikit chunk dan mungkin menyebabkan chunk relevan dibuang jika diatur terlalu tinggi.

       Anda dapat menggunakan pengujian hit untuk menyesuaikan ambang batas kemiripan guna menyeimbangkan recall dan presisi.

       Sistem mengambil chunk yang terkait dengan input dari semua basis pengetahuan yang terkait, menyusun ulang menggunakan model penyusunan ulang, dan memilih K chunk paling relevan untuk ditambahkan ke input LLM sebagai konteks. Nilai K ini adalah jumlah recall maksimum (hingga 20), dan menentukan jumlah chunk yang diberikan model penyusunan ulang ke LLM sebagai konteks.

       Meningkatkan nilai ini dapat meningkatkan akurasi respons LLM tetapi juga meningkatkan konsumsi token input LLM.

       Pilih database vektor untuk menyimpan vektor teks. Database vektor Built-in cukup untuk operasi dasar basis pengetahuan. Untuk kemampuan lanjutan seperti manajemen database, audit, atau pemantauan, kami merekomendasikan AnalyticDB for PostgreSQL (ADB-PG).

       Saat membeli instans AnalyticDB for PostgreSQL (ADB-PG), Anda harus mengaktifkan Optimalisasi Mesin Vektor. Jika tidak, Alibaba Cloud Model Studio tidak dapat menggunakan instans tersebut.