LanceDB 组合用法：从输入到交付的完整链路
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。
单独用一个工具往往只解决一段问题，这篇讲怎么把它和上下游工具串起来。
推荐组合：LanceDB + Relevance AI
Relevance AI 的定位是：面向业务团队的 AI 智能体搭建平台。两者分工可以是：LanceDB 负责「带来源的快速调研」这一步，Relevance AI 负责把前后步骤串成自动化流程。
工作流步骤
- 明确交付物和验收标准，例如：关键结论都有可点击来源。
- 准备输入：一个需要事实支撑的问题，先去掉敏感信息。
- 在 LanceDB 中执行核心步骤（提示词见下文）
- 把结果交给 Relevance AI 做下一步处理，或从 Relevance AI 取得所需材料。
- 人工检查关键事实与格式，记录发现的问题。
- 把这次用到的提示词和设置保存为模板，下次复用。
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。
验收标准：关键结论都有可点击来源。
交接时最容易出问题的地方
- 格式不兼容：两边导入导出的格式提前测试一次。
- 信息丢失：每次交接附上来源和版本号。
- 责任不清：约定哪一步由谁做最终确认。
- 成本叠加：两个工具都可能计费，先估算用量。
如果暂时不想引入第二个工具，也可以先用 Chroma 等同类产品替代其中一环，跑通流程后再决定。
延伸练习
构建问答测试集
准备材料：一份产品手册。
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。
网页内容抓取
适用情况：手头有一组需要定期关注的网页时。
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。
内部文档入库
适用情况：手头有一批 PDF、Word 和网页时。
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。
交付前确认：切分后的段落能回溯到页码。
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：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：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：引用溯源
回答附带原文出处，便于核对。
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：咨询顾问
咨询顾问可以用 LanceDB 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。
写在最后
本文基于 LanceDB 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。
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。