知識庫

例如："請幫我挑選一款拍照效果最好的阿里雲百鍊手機，價格在3000元以內。"

• 基礎文檔問答：適用於純文字文檔的語義檢索。

建立後，知識庫類型不可更改。

• 文檔搜尋（檢索情境）
  • 適用情境：
    • 適用於企業內部文檔、產品手冊等非結構化資料（即未按預定義表結構組織的資料，包含文本、表格和圖片）的檢索。
    • 若檔案包含圖片，且需阿里雲百鍊應用在回答中返回，請選擇文檔搜尋。
  • 資料來源：支援本地上傳檔案或從阿里雲Object Storage Service匯入。
    建立說明（文檔搜尋）

    1. 選擇資料：為知識庫指定資料來源（檔案或內容）。資料來源內容將匯入知識庫，用於後續檢索。支援本地上傳和雲端匯入（選擇現有類目或檔案）兩種方式。
       • 本地上傳：直接從本地電腦上傳檔案。展開下方摺疊面板瞭解如何選擇解析方式。
         解析方式（自訂設定）說明

         請根據實際需求配置解析策略，如不確定建議保持預設設定。

         • 电子文档解析：不支援解析檔案中的插圖與圖表。解析速度最快，10~20 頁純文字文檔通常在數秒至 1 分鐘內完成。
         • 文檔智能解析：對檔案中的插圖進行文本識別與提取，產生文本摘要。摘要將與其他非圖片內容一同切分並向量化，參與知識庫檢索。解析速度較快，10~20 頁含插圖文檔通常需要 1~5 分鐘。
         • 大模型文檔解析：使用千問VL模型的智能體應用支援對檔案中插圖和圖表內容進行提問。如需識別和理解檔案中的插圖與圖表，請選擇大模型文档解析。因需調用大模型進行深度理解，10~20 頁含圖表文檔通常需要 2~10 分鐘。
         • Qwen VL解析：專用於圖片檔案。可指定千問VL模型並傳入 Prompt，以指導對圖片版面及元素的識別與提取。單張圖片通常在數秒至 1 分鐘內完成解析。
       • 雲端匯入：從Object Storage Service匯入已有檔案。
    2. 索引配置：定義匯入資料的處理和儲存方式，直接影響檢索效果。

       以下配置項中，僅"向量儲存"選用 ADB-PG 時可能產生費用，其餘配置均免費。

       • Meta資訊抽取
       • Excel檔案表頭拼裝
       • 切片方式
       • 多輪對話改寫
       • 向量模型
       • 排序模型
       • 相似性閾值
       • 最大召回數量
       • 向量儲存

       metadata（中繼資料）是與非結構化資料關聯的一組附加屬性，以 key-value 索引值對的形式整合到文本切片中。

       • 作用：中繼資料為文本切片提供重要的上下文資訊，可顯著提升知識庫檢索的準確性。例如，知識庫中包含上千個以產品名稱命名的產品介紹檔案。檢索"A產品的功能概述"時，若所有檔案本文都含有"功能概述"但均未提及"A產品"，知識庫可能召回大量無關文本切片。將產品名稱作為中繼資料附加到所有文本切片後，知識庫可精準過濾出與"A產品"相關且包含"功能概述"的切片，從而提高檢索準確性，同時降低模型輸入Token消耗。
       • 用法：通過API調用應用時，可在請求參數metadata_filter中指定metadata。應用檢索知識庫時，將先根據metadata篩選相關檔案。
       • 注意：知識庫一旦建立，無法再配置metadata抽取。

       如何配置metadata

       開啟Meta資訊抽取，然後單擊设置為該知識庫中的所有檔案附加統一或個人化的中繼資料。切分時，每個檔案的中繼資料將整合到各自的文本切片中。

       建立Meta資訊模板說明

       取值方法說明：

       • 常量：為知識庫中的所有檔案附加固定屬性。

         如上方樣本所示，若知識庫中所有檔案的作者相同，可統一設定欄位名為 author 的常量。

       • 變數：為知識庫中的每個檔案附加可變屬性。目前支援file_name和cat_name。選擇file_name時，阿里雲百鍊將檔案名稱附加到其中繼資料中，如上方樣本所示。選擇cat_name時，阿里雲百鍊將檔案所在類目的名稱附加到檔案中繼資料中。
       • 大模型：系統依據設定的實體描述規則，對知識庫中每個檔案的常值內容進行匹配，自動識別並提取相關資訊，將其作為屬性附加到檔案中繼資料中。

         如上方樣本的meta資訊模板所示，如需提取每個檔案中所有出現過的年份資訊作為檔案屬性，可設定名為 date 的大模型欄位，實體描述配置如下：

         在實體描述輸入框中填寫日期資訊，只提取年份，然後單擊確定。
       • 正則：系統依據設定的Regex，對知識庫中每個檔案的常值內容進行匹配，提取符合該運算式的內容，並將其作為屬性添加到檔案中繼資料中。

         如上方樣本的meta資訊模板所示，如需提取每個檔案中所有出現過的參考資料（假設規律為：以"《"開頭、以"》"結尾），可設定名為 reference 的正則欄位，Regex配置如下：

         Regex的值設定為 《.*?》。
       • 關鍵詞搜尋：系統在每個檔案中尋找預設的關鍵詞，並將匹配到的關鍵詞作為屬性添加至檔案中繼資料中。

         例如，在上述樣本的meta資訊模板中，預設的關鍵詞為：

         融資,租賃,產業,汽車,鋼鐵,綠色,環保,資本,排放。

         由於該檔案中僅出現了"融資、產業、綠色、資本"這四個關鍵詞，系統只提取了這四個關鍵詞作為該檔案 keywords 屬性的值。

       是否參與檢索：開啟後，中繼資料欄位和值將與文本切片內容一同參與知識庫檢索；關閉時，僅文本切片內容參與檢索，中繼資料欄位和值不參與。是否參與模型回複：開啟後，中繼資料欄位和值將與文本切片內容一同參與大模型的回答產生；關閉時，僅文本切片內容參與大模型回答產生，中繼資料欄位和值不參與。

       開啟後，知識庫將所有XLSX、XLS格式檔案的首行資料視為表頭，並自動拼接到每個文本切片（資料行）中，避免大模型將表頭誤識別為普通資料行。生效範圍：僅對知識庫中 XLSX、XLS 格式的表格檔案生效，並以檔案首行作為表頭；對 PDF、Word、Markdown 等非表格格式檔案不生效。該設定在建立知識庫（文檔切分）時生效，且與切分策略一樣，在知識庫建立後不可再修改。處理邏輯：知識庫對錶格檔案按資料行進行切分，即首行（表頭）以外的每一行資料產生一個獨立的文本切片。開啟本設定後，首行表頭會自動拼接到每一個資料行切片中，使切片同時攜帶列名（表頭）與該行資料，大模型即可結合列名準確理解每個欄位的含義；表頭行本身不再作為普通資料行單獨處理，從而避免檢索與問答時的語義混淆。

       若知識庫中包含其他格式的檔案（如PDF），或表格檔案本身不含表頭，則無需開啟該設定。

       選擇智能切分（推薦）。

       作用： 知識庫將檔案切分為文本切片，並通過向量模型轉換為向量。文本切片和向量以索引值對的形式存入向量資料庫。知識庫建立後，可查看或編輯每個文本切片的具體內容（文字和圖片）。

       切片標題：每個文本切片除本文內容外還帶有一個標題，展示在切片列表中，可用於標識切片並參與檢索。切片標題由知識庫在文檔智能解析階段依據識別到的標題層級自動產生，分為短標題（title，切片所屬的最近一級標題）和層級標題（hier_title，自最進階標題到當前標題的完整路徑，各級以 |> 串連，例如 一級標題|>二級標題）。因此文檔的標題結構越清晰（如 PDF、Word、Markdown 等含規範章區段標頭的文檔），產生的切片標題越完整；對於按資料行切分、通常不含文本標題層級的表格類檔案（如 Excel），切片標題取決於解析時能否識別到標題層級，未識別到時可能為空白。切片標題也支援在切片管理中手動編輯。

       注意： 知識庫一旦建立， 無法再更改文檔切分chunk 。不合適的切分策略可能會降低檢索和召回效果。

       開啟該功能後，系統將調用專用輕量級模型，結合對話歷史將使用者當前問題改寫為獨立的、上下文完整的新查詢，再用於知識庫檢索。

       向量模型用於將原始輸入Prompt和知識文本轉化為數值向量，以便計算語義相似性。預設的官方向量（text-embedding-v2）除支援中英雙語外，還支援多種語言，並對向量結果進行歸一化處理（暫不支援更改）。知識庫使用的向量維度（無法修改）：

       • 官方向量（text-embedding-v2）：1,536維
       • qwen3 多模態向量（qwen3-vl-embedding）：使用情境選擇「視覺理解」時自動啟用，支援對圖片和富文字文件進行視覺理解後產生向量

       排序模型位於知識庫外部，對向量檢索初步召回的候選切片進行二次排序，並返回相似性分數最高的前K個文本切片。qwen3-rerank（hybrid）官方排序（推薦）綜合考量語義相關性與文本匹配特徵（如BM25得分），能更好地處理需要精確關鍵詞命中的查詢；若只需語義排序，請選擇qwen3-rerank。排序模型模式在建立知識庫時，可以在「排序模型模式」配置項中選擇以下三種模式之一：

       • 問答模式（預設）：根據查詢與候選切片的"問答匹配度"評分，適合使用者提出完整問題、期望從切片中找到答案的情境。
       • 相似模式：根據查詢與候選切片的"語義相似性"評分，適合查詢與切片表述風格相近的情境。
       • 自訂進階模式：填寫一段不超過 200 個字元的自然語言指令來幹預重排序過程，適合有特殊排序需求的情境。

       排序模型模式僅在建立知識庫時可選，建立完成後無法修改。配置前請確認以下限制：

       • 知識庫類型限制：僅適用於文檔搜尋類、資料查詢類、音視頻搜尋類知識庫。圖片問答類知識庫不支援。
       • 使用情境限制：僅基礎文檔問答使用情境支援。視覺理解（富文字文件）和極速問答不支援。

       該閾值表示允許召回的文本切片的最低相似性分數，用於篩選排序模型返回的結果，只有分數超過此閾值的文本切片才會被召回。

       此處設定的是知識庫的預設相似性閾值。將知識庫關聯到具體阿里雲百鍊應用時，還可為該應用單獨設定閾值（將覆蓋知識庫的預設相似性閾值）。

       降低此閾值預期會召回更多文本切片，但可能召回相關度較低的內容；提高此閾值會減少召回的文本切片數量，若設定過高，將導致知識庫丟棄相關切片。

       可通過點擊測試對相似性閾值進行調優，以平衡召回率與精確率。

       假設阿里雲百鍊應用關聯了A1、A2和A3三個知識庫，系統從這些庫中檢索與輸入相關的切片，再通過排序模型重排序，選出最相關的前K條加入大模型的輸入Token供回答參考。此K值即最大召回數量（上限為20），決定了排序模型提供給大模型參考的文本切片數量。

       增大該值可提高大模型的回答準確性，但會相應增加大模型輸入Token消耗。

       選擇向量資料庫儲存文本向量。内置的向量資料庫可滿足知識庫的準系統需求。如需管理、審計或監控資料庫等進階功能，建議選擇ADB-PG（AnalyticDB for PostgreSQL）。

       購買ADB-PG執行個體時請開啟 向量引擎最佳化 ，否則阿里雲百鍊將無法使用此執行個體。

    建立說明（視覺理解）

    選擇視覺理解（富文字文件）使用情境後，知識庫將使用多模態向量模型對文檔進行視覺級理解，保留原始版面布局資訊，而非採用傳統的文本切片方式。

    檔案格式限制

    在選擇資料頁簽的檔案上傳地區，滑鼠懸浮查看格式要求查看。

    索引配置差異

    視覺理解情境下的索引配置與基礎文檔問答不同：

    • 向量模型：自動選擇 qwen3 多模態向量（qwen3-vl-embedding），建立後不可更改。
    • 多輪對話改寫：可配置開啟或關閉。
    • 相似性閾值：預設 0.20。
    • 最終召回最大數量：預設 5。
    • 切片方式：視覺理解不使用傳統文本切片（智能切分/自訂切分等），而是基於視覺索引對文檔整頁進行理解。

    編輯限制

    • Embedding 模型（qwen3 多模態向量）和向量儲存類型（內建）建立後不可更改。
    • 知識庫規格變更每天僅支援一次。
• 資料查詢（Chatbot 或 NL2SQL 情境）
  • 適用情境：
    • 適合構建基於結構化資料（按預定義表結構組織的資料）的問答系統，例如 FAQ、商品資料、人員資訊查詢助手等。
    • 若資料為完整的 FAQ 問答對，請選擇資料查詢。例如，Excel 檔案包含兩列，分別為問題和答案。資料查詢類知識庫支援將問題列用於知識庫檢索，答案列用於大模型回答參考。

      文檔搜尋類知識庫無法實現此效果。

    • 支援匯入單份xlsx、xls格式的文檔，檔案大小限制20MB以內。
  • 資料來源接入：支援本地上傳 XLS 或 XLSX 檔案。
    image_url、video_url、audio_url 為系統保留欄位名（用於儲存圖片、視頻、音頻等多媒體資源）。匯入的資料表（Excel 檔案）中請勿使用這三個名稱作為列名（表頭），否則會與系統保留欄位衝突，導致資料無法正常匯入、影響後續檢索與問答。如現有資料表已使用上述列名，請先重新命名對應列後再匯入。
    建立說明（資料查詢）

    1. 選擇資料：為知識庫指定資料來源（含檔案或內容）。資料來源內容將匯入知識庫，用於後續檢索。支援本地上傳、雲端匯入兩種方式。
       知識庫建立後資料來源不可更改，且單個知識庫不支援同時使用多個資料來源。
       • 本地上傳：從本機電腦上傳資料表（XLS 或 XLSX 格式，首行必須為表頭）。
       • 雲端匯入（選擇資料表）：選擇阿里雲百鍊的現有資料表。
    2. 索引配置：定義匯入資料的處理和儲存方式，直接影響檢索效果。

       以下配置項中，僅"向量儲存"選用 ADB-PG 時可能產生費用，其餘配置均免費。

       • 是否參與檢索/參與模型回複
       • 多輪對話改寫
       • 向量模型
       • 排序模型
       • 相似性閾值
       • 最大召回數量
       • 向量儲存

       • 是否参与检索：開啟後，知識庫將在該列資料中執行檢索。
       • 是否参与模型回复：開啟後，該列的檢索結果將作為大模型產生回答的輸入資訊。樣本配置：對"姓名"、"性別"、"崗位"、"年齡"列開啟是否参与检索，僅對"姓名"和"崗位"列開啟是否参与模型回复後，知識庫將在所有列中執行檢索，但僅將"姓名"和"崗位"兩列的檢索結果提供給大模型作為回答依據。 由於"年齡"列未開啟參與模型回複，關聯該知識庫的大模型仍無法回答"張三的年齡"。

       開啟該功能後，系統將調用專用輕量級模型，結合對話歷史將使用者當前問題改寫為獨立的、上下文完整的新查詢，再用於知識庫檢索。

       向量模型用於將原始輸入Prompt和知識文本轉化為數值向量，以便計算語義相似性。預設的官方向量（text-embedding-v2）除支援中英雙語外，還支援多種語言，並對向量結果進行歸一化處理（暫不支援更改）。知識庫使用的向量維度（無法修改）：

       • 官方向量（text-embedding-v2）：1,536維
       • qwen3 多模態向量（qwen3-vl-embedding）：使用情境選擇「視覺理解」時自動啟用，支援對圖片和富文字文件進行視覺理解後產生向量

       排序模型位於知識庫外部，對向量檢索初步召回的候選切片進行二次排序，並返回相似性分數最高的前K個文本切片。qwen3-rerank（hybrid）官方排序（推薦）綜合考量語義相關性與文本匹配特徵（如BM25得分），能更好地處理需要精確關鍵詞命中的查詢；若只需語義排序，請選擇qwen3-rerank。排序模型模式在建立知識庫時，可以在「排序模型模式」配置項中選擇以下三種模式之一：

       • 問答模式（預設）：根據查詢與候選切片的"問答匹配度"評分，適合使用者提出完整問題、期望從切片中找到答案的情境。
       • 相似模式：根據查詢與候選切片的"語義相似性"評分，適合查詢與切片表述風格相近的情境。
       • 自訂進階模式：填寫一段不超過 200 個字元的自然語言指令來幹預重排序過程，適合有特殊排序需求的情境。

       排序模型模式僅在建立知識庫時可選，建立完成後無法修改。配置前請確認以下限制：

       • 知識庫類型限制：僅適用於文檔搜尋類、資料查詢類、音視頻搜尋類知識庫。圖片問答類知識庫不支援。
       • 使用情境限制：僅基礎文檔問答使用情境支援。視覺理解（富文字文件）和極速問答不支援。

       該閾值表示允許召回的文本切片的最低相似性分數，用於篩選排序模型返回的結果，只有分數超過此閾值的文本切片才會被召回。

       此處設定的是知識庫的預設相似性閾值。將知識庫關聯到具體阿里雲百鍊應用時，還可為該應用單獨設定閾值（將覆蓋知識庫的預設相似性閾值）。

       降低此閾值預期會召回更多文本切片，但可能召回相關度較低的內容；提高此閾值會減少召回的文本切片數量，若設定過高，將導致知識庫丟棄相關切片。

       可通過點擊測試對相似性閾值進行調優，以平衡召回率與精確率。

       假設阿里雲百鍊應用關聯了A1、A2和A3三個知識庫，系統從這些庫中檢索與輸入相關的切片，再通過排序模型重排序，選出最相關的前K條加入大模型的輸入Token供回答參考。此K值即最大召回數量（上限為20），決定了排序模型提供給大模型參考的文本切片數量。

       增大該值可提高大模型的回答準確性，但會相應增加大模型輸入Token消耗。

       選擇向量資料庫儲存文本向量。内置的向量資料庫可滿足知識庫的準系統需求。如需管理、審計或監控資料庫等進階功能，建議選擇ADB-PG（AnalyticDB for PostgreSQL）。

       購買ADB-PG執行個體時請開啟 向量引擎最佳化 ，否則阿里雲百鍊將無法使用此執行個體。

• 圖片問答（圖搜情境）
  • 適用情境：
    • 適合構建以圖搜圖、以圖搜"圖文"的多模態檢索應用，如商品導購助手、視覺問答助手等。
  • 資料來源接入：支援本地上傳 XLS 或 XLSX 檔案。

    XLS、XLSX 檔案 中需包含 公開可訪問 的圖片 URL，以便構建圖片索引。詳見下方建立說明。

    建立說明（圖片問答）

    1. 選擇資料：為知識庫指定資料來源（含檔案或內容）。資料來源內容將匯入知識庫，用於後續檢索。支援本地上傳、雲端匯入（選擇資料連線器中已有資料表）兩種方式。
       知識庫建立後資料來源不可更改，且單個知識庫不支援同時使用多個資料來源。
       • 本地上傳：從本機電腦上傳資料表（XLS 或 XLSX 格式）。
         • 欄位要求：資料表中至少需包含一個類型為image_url的欄位，用於產生圖片索引。
         • 構建過程：知識庫將訪問image_url欄位中的圖片 URL，提取視覺特徵並轉換為向量儲存。
         • 檢索過程：知識庫將使用者上傳圖片產生的向量與已儲存的圖片向量進行相似性比對，返回最相關的記錄。
       • 雲端匯入（選擇資料表）：選擇阿里雲百鍊應用資料中的現有資料表。
    2. 索引配置：定義匯入資料的處理和儲存方式，直接影響檢索效果。

       以下配置項中，僅"向量儲存"選用 ADB-PG 時可能產生費用，其餘配置均免費。

       • 是否參與檢索/參與模型回複
       • 多輪對話改寫
       • 向量模型
       • 排序模型
       • 相似性閾值
       • 最大召回數量
       • 向量儲存

       • 是否参与检索：開啟後，知識庫將在該列資料中執行檢索。
       • 是否参与模型回复：開啟後，該列的檢索結果將作為大模型產生回答的輸入資訊。樣本配置：對"姓名"、"性別"、"崗位"、"年齡"列開啟是否参与检索，僅對"姓名"和"崗位"列開啟是否参与模型回复後，知識庫將在所有列中執行檢索，但僅將"姓名"和"崗位"兩列的檢索結果提供給大模型作為回答依據。 由於"年齡"列未開啟參與模型回複，關聯該知識庫的大模型仍無法回答"張三的年齡"。

       開啟該功能後，系統將調用專用輕量級模型，結合對話歷史將使用者當前問題改寫為獨立的、上下文完整的新查詢，再用於知識庫檢索。

       向量模型用於將原始輸入 Prompt、知識文本及圖片轉化為數值化向量，以便進行相似性比較。詳情請參見文本與多模態向量化。

       • qwen2.5 多模態向量（qwen2.5-vl-embedding）：將單模態或混合模態輸入表徵為統一向量，適用於跨模態檢索、圖搜等情境。例如，輸入一張襯衫圖片並附加文本"找相似風格但更顯年輕的款式"，模型能將映像與文本指令融合為一個向量進行理解。
       • 多模態向量 v1（multimodal-embedding-v1）：為每個輸入部分（圖片、文字）分別產生獨立向量。
       • qwen3 多模態向量（qwen3-vl-embedding）：qwen2.5-vl-embedding 的升級版本，在圖文融合理解和跨模態檢索精度方面進一步提升。

       排序模型位於知識庫外部，對向量檢索初步召回的候選切片進行二次排序，並返回相似性分數最高的前K個文本切片。qwen3-rerank（hybrid）官方排序（推薦）綜合考量語義相關性與文本匹配特徵（如BM25得分），能更好地處理需要精確關鍵詞命中的查詢；若只需語義排序，請選擇qwen3-rerank。排序模型模式在建立知識庫時，可以在「排序模型模式」配置項中選擇以下三種模式之一：

       • 問答模式（預設）：根據查詢與候選切片的"問答匹配度"評分，適合使用者提出完整問題、期望從切片中找到答案的情境。
       • 相似模式：根據查詢與候選切片的"語義相似性"評分，適合查詢與切片表述風格相近的情境。
       • 自訂進階模式：填寫一段不超過 200 個字元的自然語言指令來幹預重排序過程，適合有特殊排序需求的情境。

       排序模型模式僅在建立知識庫時可選，建立完成後無法修改。配置前請確認以下限制：

       • 知識庫類型限制：僅適用於文檔搜尋類、資料查詢類、音視頻搜尋類知識庫。圖片問答類知識庫不支援。
       • 使用情境限制：僅基礎文檔問答使用情境支援。視覺理解（富文字文件）和極速問答不支援。

       該閾值表示允許召回的文本切片的最低相似性分數，用於篩選排序模型返回的結果，只有分數超過此閾值的文本切片才會被召回。

       此處設定的是知識庫的預設相似性閾值。將知識庫關聯到具體阿里雲百鍊應用時，還可為該應用單獨設定閾值（將覆蓋知識庫的預設相似性閾值）。

       降低此閾值預期會召回更多文本切片，但可能召回相關度較低的內容；提高此閾值會減少召回的文本切片數量，若設定過高，將導致知識庫丟棄相關切片。

       可通過點擊測試對相似性閾值進行調優，以平衡召回率與精確率。

       假設阿里雲百鍊應用關聯了A1、A2和A3三個知識庫，系統從這些庫中檢索與輸入相關的切片，再通過排序模型重排序，選出最相關的前K條加入大模型的輸入Token供回答參考。此K值即最大召回數量（上限為20），決定了排序模型提供給大模型參考的文本切片數量。

       增大該值可提高大模型的回答準確性，但會相應增加大模型輸入Token消耗。

       選擇向量資料庫儲存文本向量。内置的向量資料庫可滿足知識庫的準系統需求。如需管理、審計或監控資料庫等進階功能，建議選擇ADB-PG（AnalyticDB for PostgreSQL）。

       購買ADB-PG執行個體時請開啟 向量引擎最佳化 ，否則阿里雲百鍊將無法使用此執行個體。