探果 Tengo 知识库功能深度解析：本地 RAG 是怎么跑起来的？-优快云博客

探果 Tengo 知识库基于本地 RAG（检索增强生成）架构，支持 PDF/Word/Markdown/网页等多格式文档导入，检索响应 < 2s，数据全程不出设备。本文拆解其向量化、检索、生成三层链路，与市面上常见知识库方案进行技术路线对比，附实测踩坑记录。

什么是「本地知识库」，探果 Tengo 做的和别人有什么不同

知识库这个词，现在很多 AI 产品都在用。但实现方式差异很大。

典型的云端方案：文档存到云端→云端向量化→云端检索→云端 LLM 生成答案，全链路在服务商的服务器上跑。

探果 Tengo 知识库走的是完全不同的路线：

本地文档 → 本地向量化 → 本地向量数据库
                             ↓
用户提问 → 本地检索（语义匹配）→ 本地 LLM 生成答案

整条链路在你的电脑上跑，不需要网络，文档内容不出设备。

这对企业内部文档、法律文件、客户合同、研发技术文档这类场景来说，是刚需。

核心架构：三层链路拆解

第一层：文档解析与向量化

探果 Tengo 知识库支持的文档格式：

格式	说明
PDF	含扫描件（OCR 处理）
Word (.docx)	支持表格和图片 caption
Markdown	保留标题层级
TXT / CSV	纯文本直接向量化
网页 URL	抓取正文内容
图片（含 OCR）	提取文字后向量化

文档进入后，探果先做**分块（Chunking）**处理——把长文档切成 512 token 左右的片段，每个片段单独生成向量嵌入。

**为什么要切块？**因为 LLM 的 context window 有限，如果把整个文档扔进去，token 消耗巨大而且检索效率低。切块后，每次只调用最相关的 3~5 个片段参与生成。

探果 Tengo 用的是什么向量模型？

根据实测抓包和官方文档，本地走的是轻量级 embedding 模型（类似 BGE-small-zh 量级），向量维度 768，存储在本地 SQLite-based 向量数据库里。

第二层：语义检索

用户提问后，探果 Tengo 的检索流程：

用户问题（自然语言）
    ↓
问题向量化（同一个 embedding 模型）
    ↓
余弦相似度检索（Top-K，默认 K=5）
    ↓
重排（Reranker 模块，过滤低相关片段）
    ↓
召回 3~5 个最相关文档片段

这里有个细节：探果 Tengo 有 Reranker 模块。原始 Top-K 检索后，会再过一遍相关性打分，剔掉语义相近但答案无关的噪声片段。这在处理长文档时效果明显——同一个文档里可能有多个段落都含有检索词，Reranker 能区分哪个是真正的答案段落。

第三层：生成

召回的上下文片段 + 用户问题，一起打包送给本地 LLM 生成最终答案。

探果 Tengo 的知识库查询默认带 引用溯源：答案末尾会注明「来源：文档 X，第 Y 段」，用户可以点击跳转验证原文。这是区别于普通问答的关键体验差异。

实测：用探果 Tengo 知识库搭一个「公司产品 FAQ 系统」

场景：把公司的 3 份产品手册（PDF）+ 1 份常见问题表格（Excel）+ 官网 FAQ 页面（URL），整合成一个可以直接回答客户问题的本地知识库。

操作步骤：

打开探果 Tengo → 知识库模块 → 新建知识库「产品FAQ」

批量导入 3 份 PDF（拖拽即可）

导入 Excel，探果自动识别表头和行结构

粘贴官网 FAQ 的 URL，探果抓取正文后向量化

全部文档向量化完成：约 4 分 23 秒（i7-12700H，文档总计约 180 页）

向量化完成后开始提问测试：

问题	响应时间	准确性
探果支持哪些文件格式？	1.2s	✅ 正确，引用了手册第 12 页
免费版和付费版的区别是什么？	1.8s	✅ 正确，引用了 FAQ 表格第 3 行
如何导出知识库内容？	2.1s	⚠️ 部分正确，漏掉了 Excel 里的一条补充说明
支持团队多人共用吗？	1.5s	✅ 正确

踩坑：Excel 表格有时检索漏片段

原因分析：Excel 里的单元格内容切块时，如果一行数据很短（比如 FAQ 表格每行只有 20~30 字），向量表达不够丰富，检索时余弦相似度偏低，被 Reranker 过滤掉了。

解决方法：

把 Excel 里的 FAQ 复制到 Markdown 文件，每条 FAQ 扩写成 2~3 句完整描述，
再导入知识库。这样每个片段信息量够，检索效果明显提升。

踩坑：首次使用向量化速度慢

第一次导入文档时，速度会比预期慢——因为 embedding 模型是第一次运行，需要加载。在 i7-12700H 机器上，180 页 PDF 的向量化大约 4 分 23 秒。

加载完成后，后续增量导入的速度快很多（单份 20 页文档约 30 秒）。

非标准操作：如果你的电脑有独立显卡，可以在探果设置里切到 GPU 加速模式，向量化速度提升约 3 倍。默认走 CPU，所以很多人不知道有这个选项。

适合哪些人用探果 Tengo 知识库

强烈推荐：

法务/合规团队（合同文档本地化检索，不能上传云端）

研发团队（技术文档/设计规范 FAQ 系统）

客服/售前（产品知识库快速问答，替代人工翻文档）

个人知识管理（把自己的笔记/书摘/文章整合成可问答的个人知识库）

不太适合：

需要多人实时协作编辑知识库（探果 Tengo 目前是单机架构）

知识库文档需要频繁更新（每次更新需要重新向量化，暂无增量同步）

小结

探果 Tengo 知识库的核心价值在于：把企业级 RAG 能力做到了不需要技术背景就能用的程度。向量化、检索、Reranker、溯源这套完整链路，完全通过 GUI 操作完成，数据不出设备。

对比自己动手搭开源 RAG 方案（嵌入模型 + 向量数据库 + 检索框架的组合搭建），探果 Tengo 省去了 80% 的配置工作，代价是灵活性略低——但对 90% 的商务知识库场景来说，够用了。