性之吧,免费一级毛片在线播放放视频,欧美日本一区二区三区道

解密AI知識庫

當前位置：點晴教程→知識管理交流 →『技術文檔交流』

freeflydom

2025年5月8日 8:57 本文熱度 92

許多人對AI知識庫的理解是：只需將所有資料拖入AI客戶端（如Cherry Studio），AI便會自動閱讀并生成完美結論。

但實際體驗后，大家發現AI知識庫效果遠不如預期，經常出現各種問題。

技術原理與局限

本文將從原理出發，分析AI知識庫的技術局限，并介紹進階方案，如重排序模型、數據庫（MCP server）和超長上下文模型等。

目前主流的大模型知識庫采用RAG（檢索增強生成）技術。

用戶添加資料時，系統會先將其拆分為多個文本塊。

隨后，嵌入模型將這些文本塊向量化，即將文本轉為一組超長數字序列。

以我的知識庫為例，嵌入模型輸出1024維向量：

每個文本塊都被轉為1024個數值組成的向量：

系統將向量及對應文本存入向量數據庫。

用戶提問時，問題同樣被向量化為1024維向量。

系統將問題向量與數據庫中所有向量進行相似度計算，完全基于數學運算。

最終，知識庫選出最相似的原文片段，與用戶問題一同發送給大模型，由其歸納總結。

可見，在RAG架構中，大模型主要負責歸納總結，答復質量很大程度取決于檢索精度。RAG系統普遍存在分塊粗糙、檢索不準、缺乏全局視角等問題。

Cherry Studio安裝與配置

前往Cherry Studio官網下載并安裝軟件：Cherry Studio

安裝過程簡單，按提示操作即可。

安裝后，打開軟件，點擊左下角“設置”-“模型服務”。

本文以硅基流動提供的免費嵌入模型為例。找到“硅基流動”，點擊獲取密鑰。若無賬號可先注冊。

歡迎在評論區互助分享邀請碼。

點擊左側“API密鑰”，新建密鑰（如“程序員NEO”），復制生成的密鑰。

將密鑰填入Cherry Studio。

添加嵌入模型：點擊“模型”右側添加按鈕。

回到硅基流動“模型廣場”，篩選“類型”為“嵌入”，選擇“bge-m3（免費）”，復制模型名稱。

回到Cherry Studio，填入模型名，點擊“添加嵌入模型”完成配置。

知識庫配置與文件添加

配置知識庫：點擊左側“知識庫”-“添加”，填寫名稱，選擇剛添加的嵌入模型，點擊確定。

添加文件：點擊“添加文件”，選擇文檔（如《三國演義》），打開后自動處理。

分片已存入向量數據庫。

根據官方文檔，目前使用turso的libSQL數據庫。

在知識庫頁面右上角點擊“搜索知識庫”可檢索分片內容。

如搜索“劉備”，系統會基于向量匹配查找相關段落，每段約300字。

Cherry Studio采用long chain遞歸文本分割器。

RAG知識庫的缺陷與改進

分塊方式簡單

這種分塊方式基本按段落分塊，段落過長則按固定字數切分，常導致句子被截斷。

以剛檢索到的“劉備”為例：

可見“：”前內容被截斷，結尾“雖是”也未說完。由于分塊上限為300字，前后句被強行截斷。

這暴露了RAG知識庫的缺陷：分塊粗糙，AI難以理解上下文，導致回答不精準。

雖然也有基于語義分析的分塊方法，但目前大多不成熟，效果甚至不如簡單分割。

檢索不精準

RAG的另一個問題是檢索不準。例如搜索“曹操兵器”，想找倚天劍的信息。

系統僅基于數字相似度匹配，無法真正理解文本含義，篩選片段可能相關也可能無關，難以精準匹配。

匹配結果往往不是所需信息，這是RAG系統的痛點之一。

較好的改進方案是引入重排序模型。先用向量數據庫初步檢索，再用重排序模型做語義分析，根據相關性重新排序。

以“曹操兵器”為例，添加重排序模型后，效果明顯提升。進入模型服務，找到硅基流動，添加重排序模型。

復制免費重排序模型名稱，回到Cherry Studio添加。

在知識庫設置中添加重排序模型，點擊確定。

再次搜索“曹操兵器”，倚天劍信息排到第二位，分數78%。重排序模型顯著提升了檢索精度。

缺乏全局視角

第三個痛點是缺乏全局視角。以AI生成的300條學生統計數據為例：

如需統計分析（如最大最小值），RAG難以勝任。向量數據庫只能匹配文本塊，無法整體分析。

將Excel文件添加到知識庫：

在聊天界面（使用DeepSeek，硅基流動提供），開啟知識庫。

提問“共有多少學生”，AI僅獲取六個片段。

實際有300個學生。

AI卻答120個。

因此，結構化或統計性問題建議用關系型數據庫。現在可通過MCP讓AI操作數據庫，效果更佳。

數據庫接入與配置

已將學生數據導入PostgreSQL數據庫。

數據準備與導入

借助ChatGPT將Excel數據轉為SQL語句，高效導入數據庫。以下為效果截圖，敏感信息已脫敏。

Cherry Studio環境配置

在Cherry Studio配置MCP server，使AI可訪問數據庫。進入設置，添加MCP服務器。

如出現紅色感嘆號，點擊查看詳情，按提示安裝UV和Bun依賴。

安裝完成后，編輯MCP配置。

數據庫接入MCP Server

在MCP配置頁面查找PostgreSQL MCP。可參考官方GitHub：PostgreSQL MCP

復制官方配置內容，粘貼到Cherry Studio。

將 postgresql://localhost/mydb 替換為自己的數據庫地址，格式如下：

"postgresql://<user>:<password>@<host>:<port>/<database>"

示例（已脫敏）：

postgresql://db_user:db_password@db-host.example.com:5432/dbname?sslmode=require

db_user：數據庫用戶名
db_password：密碼
db-host.example.com：主機地址
5432：端口（默認5432）
dbname：數據庫名
sslmode=require：強制SSL加密

點擊確定，啟動服務。

系統提示詞配置

回到聊天界面（需選擇支持函數調用的模型，模型名后有扳手圖標），選擇剛配置的Postgres MCP服務器。

編輯系統提示詞，先提供數據庫表結構信息。

擴展兩張表：課程表和選課成績表。

你是數據庫助手，以下是PostgreSQL表結構，請結合表結構和查詢結果回答用戶問題。
CREATE TABLE students (
    id SERIAL PRIMARY KEY,
    name VARCHAR(100),
    age INTEGER,
    phone VARCHAR(20),
    gender VARCHAR(10)
);
CREATE TABLE courses (
    course_id INTEGER PRIMARY KEY,
    course_name VARCHAR(100)
);
CREATE TABLE enrollments (
    id SERIAL PRIMARY KEY,
    student_id INTEGER REFERENCES students(id),
    course_id INTEGER REFERENCES courses(course_id),
    score INTEGER
);