创建知识库元素
在传统应用系统中，经常面临用户手册散落在各个文档，常见问题答案需要反复查找的问题。
AI知识库元素正是为了解决这些痛点而生。它不仅是文档的存储容器，还具备语义理解的检索能力。它将各类文档转化为可被“理解”的结构化知识，当用户提出问题时，知识库会理解语义意图，返回知识库中匹配的答案。
创建AI知识库元素
在元素目录树点击搜索框右侧的+按钮，选择AI知识库-标准知识库。随后弹出创建AI知识库元素的弹窗。
创建弹窗中需依次完成名称,向量数据库，向量模型和重排模型的选择。点击确定完成创建。
提示
向量模型对搜索的结果有较大的影响，请根据实际情况选择，创建完成后不允许再次修改。
创建完成后会在左侧元素树中显示。
原理说明
核心构成要素
AI知识库基于先进的RAG（检索增强生成）架构，由五个核心组件协同工作：
- 向量模型：将文档和查询转换为高维向量表示，实现语义理解
- 重排模型：对初步检索结果进行精确排序，提升匹配准确度
- 向量数据库：高效存储和检索向量数据，支持大规模相似度计算
- 文档处理器：智能解析、分块、清洗文档内容，优化向量化效果
- 关系数据库：存储文档元数据和文本块，确保数据一致性
系统架构
技术原理
语义理解技术：采用先进的文本向量化模型，将自然语言转换为数学向量空间中的点，使计算机能够理解文本的语义关系，而不仅仅是关键词匹配。
两阶段检索机制：
- 向量检索阶段：在向量空间中快速定位语义相似的候选文档
- 重排序阶段：基于查询上下文对候选结果进行精确排序
混合存储策略：向量数据库专门处理高维向量的相似度计算，关系数据库管理结构化的元数据，两者协同确保检索的高效性和准确性。
数据处理流程
检索机制
用户查询经过向量化后，系统在向量空间中检索出TopK个语义相似的候选文档，通过相似度阈值过滤低质量结果，最后使用重排模型基于查询上下文进行精确排序，返回TopN个最相关的知识片段。
关于检索参数配置和在后端可视化编程中的具体使用方法，请参见使用知识库进行全文与语义检索。