LanceDB 老手才知道的用法
嵌入式开源向量数据库，适合本地与多模态数据——这是 LanceDB 最主要的用途，也是本文讨论的前提。
这些技巧适合已经会基本操作、想进一步提效的用户。
8 条进阶用法
- 敏感信息用代号替换，交付前再换回。
- 遇到瓶颈时，用 Qdrant 做一次对照，判断是工具问题还是用法问题。
- 记录每次的输入、设置和结果，形成自己的经验库。
- 长材料分段处理，每段完成后再要一份汇总。
- 同一任务准备 5 份测试材料，改设置后统一复测。
- 要求输出「不确定清单」，把需要人工核实的地方单独列出。
- 把固定的背景和规则保存为预设或模板，避免每次重复输入。
- 给一个你满意的样例，让它模仿结构而不是复制内容。
示例：分步完成的写法
检索效果对比
准备材料：同一批问题和两种检索配置。
用同一批测试问题分别跑关键词检索、向量检索和混合检索，记录前 5 条结果中正确段落的命中情况。
交付前确认：对比用同一批问题。
更多可以试的用法
资料卡片整理
准备材料：搜索得到的十几篇资料。
把这些资料整理成卡片：每张卡片包括一句话结论、关键数据、来源和可信度评价，最后按主题分组。
交付前确认：每张卡片都有来源。
内部文档入库
输入：一批 PDF、Word 和网页。
把这些文档解析为干净的文本：保留标题层级和表格，去掉页眉页脚，按章节切分，每段附上原文件名和页码。
检查点：切分后的段落能回溯到页码。
构建问答测试集
适用情况：手头有一份产品手册时。
根据手册编写 20 个用户可能问的问题及标准答案，标注答案所在章节，用来评估知识库检索效果。
验收标准：每个答案都能在手册中找到。
常见问题：答案引用了错误段落
调整切分大小、加入重排序，并检查文档解析是否丢失标题。
常见问题：回答过于笼统
要求逐条引用原文，并限定只回答文档中有依据的内容。
常见问题：搜索结果过时
限定时间范围，或在提问中注明需要最新信息并核对发布日期。
概念补充：切分（Chunking）
把长文档拆成适合检索的小段，大小影响效果。
概念补充：RAG（检索增强生成）
先检索相关资料再让模型作答，降低胡编概率。
适合人群：记者编辑
记者编辑可以用 LanceDB 处理采访整理、资料核查等工作。需要注意：事实必须多源核实，不得用 AI 生成虚构引语，遵守所在机构的 AI 使用规范。
适合人群：数据分析师
数据分析师可以用 LanceDB 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。
适合人群：软件工程师
软件工程师可以用 LanceDB 处理代码阅读与重构、测试与排错等工作。需要注意：不要把密钥和未开源代码上传到未授权工具，合并前审阅每处改动。
写在最后
所有示例输出均为示意，不代表真实统计或效果承诺；请以自己的测试结果为准。
涉及个人信息、商业机密或受监管数据时，先确认 LanceDB 的数据处理条款，再决定能否使用。