# 1、创建知识库访问“火山方舟控制台”，选择左侧导航栏“数据管理\-[知识库](https://console.volcengine.com/ark/region:ark+cn-beijing/knowledge/collection/list)”，进入知识库列表。单击右上角的【创建知识库】按钮。知识库支持标准版、旗舰版两种规格，详细对比如下： ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/bfe57540372448fb9556e44f47990797~tplv-goo7wpa0wc-image.image =1608x) 旗舰版支持更多知识库高级配置，这里以旗舰版为例，对完整的可调整参数进行说明：在**创建知识库**页面填写相关参数，参数配置建议如下： * **数据类型**：支持选择【非结构化数据】/【结构化数据】，其中 * 【非结构化数据】对应的文件主要内容为文本和图表，如文章、报告、书籍等，支持 docx、pptx、pdf、markdown、txt，同时兼容 csv、xlsx、png、jpeg 等 10+ 格式。 * 【结构化数据】的文件主要内容为结构化文本，需具备明确的字段约束，如问答总结、政策条款、数据收集等，支持 csv、xlsx、jsonl 格式。若需要对某一列内容进行过滤检索，请选择【结构化数据】。 * **文本向量化模型**：通常建议采用【Doubao\-embedding+多功能版】向量化模型，可使用混合检索能力提高召回准确率，更多关于“混合检索”的说明，可参考：[稀疏+稠密向量混合检索](/docs/82379/1319742) * **向量维度**：通常维度越高，检索越准确。除非有极高性能要求和超大规模数据量，方可考虑降维。 * **切片方式**：通常建议使用【默认切片规则】，系统会自动保留完整语义进行切片；若文档有非常明确的分片规则（如换行分段），需采用【按分隔符切分】。 * 当切片方式选择了【默认切片规则】时，需配置： ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/d8c4e8db0afe41e1965ce562ae6ec57c~tplv-goo7wpa0wc-image.image =2936x) * **切片最大长度**：当选择“默认切片规则”时，需指定切片最大长度。长度设置往往与所上传文档的信息密度有关。（**当信息密度较大**，且上下文关联性较小时，切片长度往往可以设置的小一些，以独立内容的长度为基准，如 200\-500 左右。如政策信息、热点新闻、法律法规等；**当信息密度较小**，需要较多上下文关联信息时，切片长度往往可以适当放大，但不宜过大，如 800\-1000 左右。如产品说明书、小说、论文等。） * **图片 OCR** ：需要对文档中的图片内容进行识别，增强大模型的信息输入时，可开启【图片 OCR】开关，更多图片检索召回说明可参考 [文档图片检索生成](/docs/82379/1319756) * **合并短文本片**：按语义切片可能会产生部分独立短文本片，可能会导致切片字符数分布不均，较短无关的文本片与较长相关的文本片，在相似度计算上，拉不开差距。因此，可开启【合并短文本片】功能，尽量保证切片长度分布均匀，提高召回准确性。 * 当切片方式选择了【按分隔符切分】时，支持选择已有分隔符或自定义分隔符，比如文档内容是比较明确的法律条款，每一行为一个单独切片，可设置`\n`作为分隔符。 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/508c479ad675404ca056350aa153821b~tplv-goo7wpa0wc-image.image =1592x) **当数据类型为“结构化数据”时，需配置“字段配置”** * **字段配置**：字段配置是用来指定结构化数据的索引 * **上传文档**：系统支持自动识别文档表结构，请注意此处上传的文档仅用来定义表结构，不会真实传入知识库 * **表结构**：支持指定以“第几行”/“第几列”作为表头字段，其中“向量索引”为“是”即可以用作检索匹配，为“否”仅可用于标量过滤 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/b7ae86856eeb472fa480e4ed3cb28fba~tplv-goo7wpa0wc-image.image =2888x) * **CPU 配额**：CPU 配额与检索的 QPS 需求有关，通常 1 CPU = 100 QPS * **标签**：标签可用于后续对所传文档进行分类，在检索时可以优先对文档类型进行过滤，再对文档内容进行检索，降低检索成本和时延。（如设置检索过滤字段为 “permission”，上传文档后，可设定文档 1 的 “permission” == “内部”，文档 2 的 “permission” == “公开”。在检索测试时，即可配置检索范围为 “文档权限” 包含 “内部” 的全部文档，实现不同用户在文档问答时可分级管理模型参考内容）填写完成后单击右侧【创建知识库】 # 2、导入文档创建知识库后，可按照引导进行文档上传。知识库支持本地上传 / TOS 导入（需先购买 TOS 并进行授权）/ 公开下载链接的方式进行文档上传。 * 通常当本地有较多数据（\>100）需要批量导入时，建议优先考虑将数据上传至[TOS](https://console.volcengine.com/tos)，再导入知识库。 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/266d4056978e462c88993e6e29cd5849~tplv-goo7wpa0wc-image.image =600x) # 3、切片详情点击【切片详情】可查看切片内容，可检查但不限于以下几个维度：（1）切片结果是否是较为完整的语义（2）切片结果字符数量分布是否比较均匀（3）切片结果是否正确识别了图片信息若不满足预期，可重新调整切片规则或对原始文档进行更加规范化的加工，默认以卡片格式展示切片详情，可点击右上角图标切换为列表格式 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/7f571775149b4da5afa6dfdc243adf12~tplv-goo7wpa0wc-image.image =2313x) # 4、知识检索 :::tip 适用场景：文本查重、打标分类等需要进行内容检索的场景 ::: 当文档处理完成后，可点击【知识检索】进行调试 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/b029b482447b418b8fbd48c0d0dbf808~tplv-goo7wpa0wc-image.image =1920x) 除文档处理外，检索策略配置同样对召回效果起着至关重要的影响。切片检索参数配置如下： * 检索参数 * **返回文本片数量**：检索召回的最终切片数量，召回的文本片将作为输入，拼接送入大模型实现信息增强。 * **重排模型**：将用户问题和召回切片通过大模型，进行语义化重排，提高准确切片的召回位次和得分。 * **召回数量**：仅当开启重排模型时，需要配置“召回数量”。通常情况下，“召回数量”要大于“返回文本片数量”，即尽可能多的把相似切片召回，再通过重排+截断，控制最终进入大模型的切片为最精准的小部分切片。 * 更多参数 * **denseweight**：当采用混合检索模式时，denseweight 参数可以调整语义化检索比重，denseweight = 1，即为全语义化检索。 * **标量过滤**：配合创建知识库时的标量过滤字段使用。如可配置检索范围为 “文档权限” 包含 “内部” 的全部文档，从而解决不同用户在文档问答时可分级管理模型参考内容切片检索时，召回的切片将按照位次进行依次展示，可直观查看切片是否正确，得分是否符合预期。 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/af63a60ad6354a22b4a48c6b06fb18d7~tplv-goo7wpa0wc-image.image =1920x) * **查看检索历史** 点击【检索历史】可查看历史检索记录 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/47d7326f720a421fadfd18e2c7dbf8f4~tplv-goo7wpa0wc-image.image =1920x) # 5、知识问答 :::tip 适用场景：智能客服、领域咨询、辅助销售、文案生成等场景 ::: 当文档处理完成后，可点击【知识问答】进行测试 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/0ac2eb2e22c54a5e830a24d06f94f6dd~tplv-goo7wpa0wc-image.image =1920x) 除文档处理外，检索策略配置同样对召回效果起着至关重要的影响。切片检索参数配置如下： * 检索参数 * **返回文本片数量**：检索召回的最终切片数量，召回的文本片将作为输入，拼接送入大模型实现信息增强。 * **问题改写**：基于历史对话对本轮问题进行改写，使其具备更完整的语义信息，检索更准确。默认关闭。**注意：开启改写问题会增加检索时长和额外的 Tokens 消耗。** * **重排模型**：将用户问题和召回切片通过大模型，进行语义化重排，提高准确切片的召回位次和得分。 * **召回数量**：仅当开启重排模型时，需要配置“召回数量”。通常情况下，“召回数量”要大于“返回文本片数量”，即尽可能多的把相似切片召回，再通过重排+截断，控制最终进入大模型的切片为最精准的小部分切片。 * 更多参数 * **denseweight**：当采用混合检索模式时，denseweight 参数可以调整语义化检索比重，denseweight = 1，即为全语义化检索。 * ***标量过滤***：配合创建知识库时的标量过滤字段使用。如可配置检索范围为 “文档权限” 包含 “内部” 的全部文档，从而解决不同用户在文档问答时可分级管理模型参考内容 * **文档聚合排序**：按照原始文档顺序，对召回的切片进行排序聚合，以保证语序和语义正确。默认开启 * 模型参数配置如下： * **选择模型**： * 平台提供多个模型及版本，支持选择公共推理接入点或使用自建推理接入点 * "pro" 代表高精度，“lite” 代表高性能，数字大小代表大模型输入输出窗口长度，日期表示模型版本，版本越新，综合效果越好 * **拼接临近文本片数量**：当单切片字符数较小时，为避免上下文信息丢失，可以通过配置临近文本片拼接，将更全量的信息输入给大模型。如，召回切片为 chunk 8 时，”拼接临近文本片“ == 1 时，最终会将 chunk 7，chunk 8，chunk 9 进行拼接，输入大模型 * **编写 prompt**：系统提供了默认 prompt，也可以根据实际对话需要，给出更加具体的回答要求。如“请使用尽量专业的术语进行回答” 大模型回答时，会根据召回切片进行总结，并给出引用知识的参考信息 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/84ed06fe3199436fbe30eb5d97bc3b48~tplv-goo7wpa0wc-image.image =1920x) 点击【召回详情】可以查看更为详细的回答引用信息，辅助定位问题。如果打开了文档聚合排序参数，可以看到平台会基于文档的语义信息进行召回排序。 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/95571729727b43bb99bdf171f2c2f633~tplv-goo7wpa0wc-image.image =1920x) 点击【tokens】详情可查看整个问答过程中的 tokens 消耗。如果打开了问题改写参数，可以看到改写消耗的tokens数量。 ![图片](https://p9-arcosite.byteimg.com/tos-cn-i-goo7wpa0wc/299d303b250c4aaeb8014df6bc7d0992~tplv-goo7wpa0wc-image.image =1920x)

火山方舟大模型服务平台