知识库 on AI 观察

知识库问答机器人搭建指南：从架构设计到上线的完整步骤

Thu, 08 Oct 2026 10:33:47 +0800

知识库问答机器人是大模型最常见的落地形态之一：员工可以问它公司制度，客户可以问它产品使用方法，开发者可以问它技术文档。它的核心技术是检索增强生成（RAG）：先从文档中找到相关内容，再让大模型基于这些内容回答。 本文按照实际搭建的顺序，介绍每个环节需要做的关键决策，帮助你从零搭建一个可用的知识库机器人。

多模态 RAG：让企业知识库检索图片、图表与截图

Thu, 01 Oct 2026 13:33:48 +0800

企业文档中的信息并不只存在于文字里：产品手册中的结构示意图、操作指南中的界面截图、汇报材料中的数据图表、维修手册中的零件照片。传统 RAG 在解析文档时往往直接丢弃这些图片，导致相关问题无法回答。多模态 RAG 的目标，是让知识库也能“看见”并检索这些视觉信息。

RAG 文档切分策略：块大小、重叠与结构化切分实践

Tue, 11 Aug 2026 10:49:16 +0800

搭建 RAG 知识库时，大家通常把精力放在选模型和选向量数据库上，却很少认真对待文档切分。实际上，切分方式决定了检索的基本单位，切得不好，后面的检索和生成再强也无法弥补：要么关键信息被切断在两个块之间，要么一个块里塞了太多无关内容，稀释了语义。

为什么需要切分

一方面，Embedding 模型有输入长度上限，整篇长文档无法直接编码；另一方面，一个向量很难同时准确代表一篇文档里的多个主题。把文档切成较小的片段，每个片段语义更集中，检索时也能只把相关部分送进大模型，节省上下文和成本。Embedding 的基本原理可参考文本向量入门。