拒绝幻觉！零代码搭建专属 AI 知识库｜RAG 教程

AI_小站

墨衍会员 · AI 创作全网分发码龄3年

关注

原创最新推荐文章于 2026-09-03 18:53:42 发布 898 阅读 AI 写同款· GEO 优化 ›

大模型应用开发六：检索增强生成（RAG）介绍及Cherry Studio知识库使用 RAG简单讲解以及结合Cherry Studio 实战阅读详情

承接上期RAG原理，本文将深入实战：利用 Cherry Studio 构建基于 Embedding 模型的私有知识库系统，实现文档级语义理解与定制化问答能力。

本次实战将使用 Cherry Studio ，它是一个功能齐全的客户端，它不仅支持多模型管理，还有绘画、翻译和知识库功能，可以让我们零代码实现RAG。

第一步：选定你的嵌入模型

打开 Cherry Studio，点击右下角设置按钮进入模型服务页面。

这里推荐火山引擎的API，有50w的免费额度。点击申请API key。

开通“嵌入模型（Embedding Model）”。

在Cherry-studio测试一下你的模型是否配置成功。如果不能访问可以前去火山引擎官网检查是否开启了这个模型服务。在模型右侧把不可用的模型删除，只展示可用模型。

第二步：创建知识库

有了Embedding模型，我们需要一个地方来存放数据。

点击左侧工具栏的知识库图标，进入管理页面。

点击“添加”按钮。
命名：给你的知识库起个名字（比如“GIS专业知识库”）。
选择嵌入模型：选择Doubao-embeding模型，嵌入维度点击右侧刷新按钮自动设置即可。

第三步：数据导入与向量化

现在，我们要把人类的知识喂给 AI。Cherry Studio 支持非常灵活的数据来源：

• 本地文件：支持 PDF, Word (docx), Excel, Markdown (md), TXT 等格式。

• 在线链接：可以直接输入网址（URL），或者输入网站的 Sitemap（站点地图）。

• 纯文本笔记：直接粘贴你的一段想法。

关键动作 —— 向量化：当你添加文件后，系统会自动开始“向量化”处理。你会看到一个进度条，当显示绿色对勾 (✓) 时，代表处理完成。

这一步发生了什么？正如上篇文章所讲，机器正在将你文档中的成千上万个特征，压缩成低维度的向量空间。虽然“苹果”和“橙子”在文字上完全不同，但在这一步之后，它们在数学空间里已经紧紧挨在一起了。

注意：目前文档中的插图暂不支持自动转向量，建议手动转为文本说明。如果需要解析插图可以选择Doubao-embedding-vision嵌入模型。

这里我选择上传我上一篇文章：“AI如何理解我们的世界？- Embedding”

第四步：搜索测试效果

在正式对话前，我们可以先测试一下 Embedding 的效果。

在知识库页面上方点击“搜索知识库”。

输入一个查询词。
系统会展示检索结果以及匹配分数。这个分数其实就是向量之间的“距离”。距离越近（分数越高），说明 AI 认为这段内容与你的问题越相关。

第五步：开始对话

一切准备就绪，让我们看看 RAG 的威力。

回到对话界面，创建一个新话题。模型选择Deepseekv3，因为知识库功能需要大模型具备工具调用的能力。

在输入框下方的工具栏中，点击“知识库”，选择你刚才创建的库。

提问！

比如你可以问：“AI是怎么理解我们的世界的？” 此时，模型不会胡编乱造，而是会先通过 Embedding 检索知识库中的相关片段，结合上下文（Context），生成精准的回答。Cherry Studio 甚至会在答案下方附上数据来源，方便你核对原文。

总结

通过 Cherry Studio，我们不需要写一行代码，就复现了 Embedding 技术的核心应用场景，轻松搭建起属于自己的 AI 知识库，让大模型既能读懂私有文档，又能摆脱 “幻觉” 困扰。

而在享受技术便利的同时，我们也需要多一份数据隐私的思考。私有知识库中往往存储着项目资料、企业内部文档、个人敏感信息等核心数据，这些内容一旦泄露，可能会造成不可挽回的损失。因此，在使用 Cherry Studio 这类工具时，建议优先选择本地部署API，避免将敏感数据上传至公共云端；同时定期清理知识库中的冗余信息，对核心文档做好权限分级与加密处理。

你的 AI 之旅，才刚刚开始。

下期预告：告别单一问答！我们将解锁 Agent 智能体技术，教你如何让 AI 自主拆解任务、调用工具、执行复杂流程，打造能 “主动干活” 的自动化 AI 助手！