LanceDB 是一款开源项目：嵌入式开源向量数据库，适合本地与多模态数据。

下面列出 10 个具体场景，每个都注明适合与不适合的情况。

10 个场景

  1. 带来源的快速调研：适合每周重复执行。
  2. 内部文档入库：可以做成固定模板。
  3. 构建问答测试集：需要人工复核。
  4. 检索效果对比：适合先小范围试用。
  5. 网页内容抓取：适合每周重复执行。
  6. 资料卡片整理：效果依赖输入材料质量。
  7. 科研人员：文献检索与阅读：适合每周重复执行。
  8. 软件工程师：代码阅读与重构：可以做成固定模板。
  9. 咨询顾问：行业研究：适合先小范围试用。
  10. 记者编辑：采访整理：效果依赖输入材料质量。

挑两个场景细看

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。

验收标准：切分后的段落能回溯到页码。

网页内容抓取

输入：一组需要定期关注的网页。

把这些网页转成 Markdown，去掉导航和广告，只保留正文、发布日期和作者；发布日期缺失时标注「未知」。

交付前确认：没有臆造发布日期。

不适合的场景

  • 需要专业资质最终签字的判断。
  • 无法核实来源却要公开发布的内容。
  • 涉及他人隐私且未获授权的材料。

更多可以试的用法

带来源的快速调研

输入：一个需要事实支撑的问题。

请回答【问题】，每个关键结论后标注来源链接；如果不同来源说法不一，请分别列出；最后给出你认为最可靠的来源及原因。

交付前确认：关键结论都有可点击来源。

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。

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。

检查点：每个答案都能在手册中找到。

常见问题：中文检索效果差

选择对中文支持好的嵌入模型，并为专有名词建立同义词。

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。

概念补充：混合检索

同时使用关键词和向量检索，兼顾精确匹配与语义理解。

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：客服人员

客服人员可以用 LanceDB 处理回复草稿、工单分类等工作。需要注意：不得以 AI 名义做出政策外承诺，涉及隐私的问题按流程处理。

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。

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。

延伸阅读