很多人想象的AI知识库就是把所有的资料一键导入到AI客户端，比如Cherry Studio里面，然后AI就能把里面的内容全部认真地读一遍，最后生成一个完美的结论。然而，在实际体验以后，很多人会发现AI知识库的效果并没有想象中的那么好，还是会遇到各种奇怪的问题。那它的根源就在于我们误解了AI知识库的工作原理。我们将从以下四个角度出发，给大家深入剖析当前主流的AI系统的三大问题。
核心痛点，并且结合Cherry Studio来进行实操，给大家讲几种有效的进阶优化方案。
目前，大模型知识库最常用的方法就是我们的RAG，也叫做检索增强生成。RAG的核心内容其实只有两个部分：
第一个部分是我们先从资料库当中检索相关的内容，然后模型再基于这些内容生成答案。也就是先检索再生成，所以叫做检索增强生成。
当我们有一部分业务数据之后，需要把这些数据添加到知识库。通过程序将其进行文本块的拆分，然后通过嵌入模型把这些文本块向量化。向量化指的是把文本变成一堆数字，存储到向量数据库里。
接下来用户开始提问时，问题本身不会直接给到大模型，而是会经过向量转换。然后我们来到向量数据库，把问题和原始内容进行相似度匹配。这个匹配过程是基于向量的数学运算，比如可以用余弦相似度。
匹配完成后，我们就能得到一部分相关的原文片段。然后把这些片段结合用户的问题，构造一个prompt提示模板，一起发送给大模型。大模型最后针对这个问题进行总结，返回给用户。
从这个流程可以看出，在RAG流程当中，大模型仅仅起到归纳总结的作用。回答效果的好坏很大程度上取决于文本块的检索精度。事实上，RAG系统也存在三个典型问题：
第一个问题是我们的文本切片过于粗暴。
第二个检索不够精准，第三个没有大局观，缺乏全局的视角。接下来我们先用 Cherry Studio 搭建一个本地知识库，然后再分析这一套流程的局限性。好，下面我们来到 Cherry Studio 官网，先把软件下载并安装一下。
那Cherry Studio的话，它提供了全桌面操作系统的安装方式，安装过程也十分简单。下载安装包之后，一路点击下一步就可以了。
然后接下来我们打开软件，Cherry Studio。然后我们可以在左下角找到这个设置。
那第一步的话，我们要先去配置我们的模型服务，也就是我们的大模型，你要用哪一个。
那么在这里，我们直接选择硅基流动。硅基流动需要我们有一个API密钥，所以我们可以来到硅基流动的官网。硅基流动给我们提供了一个免费额度，就是14块钱。
那你注册完之后，就能够去领取。然后我们可以看到这个余额。
好，大概是14块钱的一个样子。来到硅基流动之后，我们首先先来做一个API的密钥。
那大家如果说没有的话，可以直接去新建一个，然后把API密钥复制到我们的窗口中来，填进去就可以了。
好，那么API的密钥设置好之后，接下来我们去选择要使用的模型。点击模型广场，在这里你就可以选择想要用的模型。
当然有很多都是付费的，我们也可以选择免费的模型。比如这里就有一些免费的模型，比如咱们的千问3-8B，这个我们可以去用。
用这个怎么去添加呢？很简单，你点击一个模型之后，可以在这里点击复制它的名字。
然后我们在下面有一个添加按钮，点击添加，把复制的名字填进来，添加模型就可以了。
那这个模型。
它表示当前可用的模型。如果你不确定，也可以进行检测。点击检测后，选择我们刚刚添加的Qwen3-8B模型，然后点击确定。
那么，他会告诉你连接成功，说明是没有问题的。好，这个是我们的语言模型。
那接下来我们还需要一个对于文本。
来进行这个嵌入，这个向量化的embedding模型。那么在这地方我们就选择这个嵌入模型，然后免费的，它会有一个GLM-3的。
那么同样的也是复制它这个名字。
然后在这个地方按照同样的方法进行添加就可以了。这边我已经存在了，就不重复添加了。这就是我们关于模型的一些基本设置。
接下来我们开始配置知识库。点击知识库按钮后，可以选择添加，然后随便取一个名字。比如我要对一本小说进行测试，取名为凡人修仙传，然后选择嵌入模型BGE-M3，点击确定。
确定完成后，我们就可以把文件添加到知识库了。在这里我选择的文件其实就是我们的章节。
好，添加完成之后，如果在这地方打勾，说明它已经被成功分片并存入向量数据库。接下来我们可以点击搜索来查找对应内容。比如在这里，我可以搜索一个行例，那么它就会出现相对应的文本片段。
好，那么每一个段落大概在300个字左右。
Cherry Studio这里使用的分块算法是LongChain的递归文本分割。这种分块方法比较简单粗暴，基本上等同于按照文章的段落来进行分块。如果段落过长，它会按照固定的字数进行分块。
所以很多句子可能会被拦腰截断，造成语义的割裂。在这个地方，我们其实也可以去设置，比如我们可以打开这个。
在我们的知识库高级设置当中，可以看到有一个分块的大小以及一个重叠的大小。
那这个我们可以自行去进行修改。当然修改之后，它会对新添加的内容生效。比如说你想要做这个分段，比如我是1000个字符做一段，然后允许有200个字符重叠，那也是OK的。当然这个分块的大小如果越大，它的语义可能就不会特别精准。所以这是我们的第一个问题，比如我们从前面的搜索其实就能够看得出来。
比如有些地方，这个语义可能就会被分割开了。
当然现在我们也有一些基于语义分析的分块算法，可能说我的这个分块不再是基于单纯的字数，而是通过语义的方法来进行分割。但目前这种方法还不太成熟，因为它是基于大模型来实现的，非常依赖模型本身的能力。所以有的时候它的效果甚至还不如简单的分割。
接下来我们再看传统方法的第二个问题，也就是检索不精准。检索不精准怎么看呢？比如我们可以搜索一个名字，比如说叫韩立，那这个韩立有没有出现呢？我们可以看到，现在得到的这几个片段里，其实是没有出现这个名字的。
但是它依然显示出来了，因为它是基于语义来进行匹配的。把用户的提问和向量数据库当中的片段进行纯数字的相似度计算，所以他筛选出来的资料片段可能相关，也可能不相关。它没有办法做到精准匹配。我们可以看到搜索出来的结果都有分数，有的分数高，有的分数低。
比如我们的这个关键字，我们可以看到。在这个片段当中，它其实是有这样的一个关键字的。
好吧，但它的评分比较低。如果说我们返回的片段数只有top3，那么可能这个片段就不会被返回。这就是我们可以看到的情况。
系统存在这样一个问题：向量数据库的匹配其实不够精准，或者说它匹配的前几条都不是我们想要的。针对这种问题，我们目前有一种比较好的改进方案——可以通过重排序模型（Rerank）来实现。对于向量检索出来的片段，我们可以再用重排序模型进行更深入的优化。
语例分析后，再进行重新排序，把相关性较大的排到前面。这相当于先通过embedding模型做一个粗略的检索，再用重排序模型做一个比较精准的排序，可以进一步提高检索的精度。接下来我们要先添加。
我们的重排序模型。
同样的，我们来到模型服务当中，点击硅基流动。
那我们可以看一下要用的这个重排序模型，在这里是 BGE-reranker-v2-M3。
那这个如果说我们想用其他的可不可以呢？也可以啊，这边也有一个重排序，我们可以自己去点击，然后把嵌入模型给它去掉。
那这个就是我们能够去使用的重排序模型，它的安装方式也相同。
复制它的这个名字，然后到我们这个地方进行一次添加就可以了。
好，那么添加完成之后，我们就再回到咱们的知识库，然后对这个知识库进行一个简单的设置。我们把重排模型加上，原本是没有的。
那么现在我们给它加上这个轨迹流动的，加进来之后我们确定。好，现在我们有了这个重排模型之后，再来重新搜索一下刚才的问题。比如我们继续搜索这个函注，看一下反馈的结果。我们想要的片段现在就已经变成了第一条。
而且它的评分非常高，剩下的片段评分都非常低。通过重排序模型，我们可以看到提高了re。
知识库的检索精度。下面我们再来看一下RAG系统中的第三个问题，也就是大局观的问题——它能否用全局视角来看待用户的问题。前面讲到过，RAG本身的逻辑其实比较清晰。
这个方案我给大家重新打开一看，其实就两步，对吧？
先从资料库当中去检索相关内容，然后再基于内容来生成答案。我们可以发现，这个检索相关的内容是不是完整的数据呢？答案很明显，肯定不是的。因此在这里，我们可以用一个Excel表格，比如这是AI生成的这样一个数据，可以给大家看一下。在这份数据当中，它其实就是什么？
它其实就是我们的一些片段。
来看一下我们一些学生的数据。这里面的数据一共是180条。
那我们现在就有一个问题：如果我们直接把这样的一个表格给到谁呢？
给到我们的这个知识库里面，比如现在我们去添加这样一个学生表。嵌入模型我们同样选择这个BAAI/bge-m3，然后确定。那么这时候的问题其实就在于：一个完整的Excel表格拖进来之后会被分块，每个片段都是不完整的。如果我想对这个表格中所有数据进行统计分析，比如一共有多少条学生信息，以及他们的最大最小值查询，向量检索基本上是做不到的。因为向量检索只是根据相似度匹配文本块，把相似度高的文本块交给大模型。这种情况下，大模型根本无法进行回答。所以现在问它也没用，把知识库拖进来问同样没有意义。
这两个要跟大家分享的重点，其实就是针对这类结构化数据或者说统计型数据的处理方法。
那你是用知识库，它是没有办法去完成的。最好的方法还是使用我们的数据库。因为我们有了这个CP之后，可以通过AI来使用CDserver操作我们的数据库，这是一个比较好的解决方案。
接下来我们就使用CBserver，把数据库接入到大模型当中。首先要把这个Excel表格里的所有数据存到我们的DB数据库当中，因为这部分我已经存储过了。
给大家看一下，好吧，所有的数据全部都在这里。
比如我们的学生表，tuud等等。我们可以看到数据都已经在这里了，但它到底是怎么去存的？
可以给大家分享一下。好，然后这个数据我们把它都处理好之后，接下来就可以在 Cherry Studio 当中配置我们的 CPserver，让我们的 AI大模型 可以连接到 MongoDB 数据库当中。所以接下来我们同样点击设置，然后需要点击 CP 的设置。那么在这点
我其实已经去设置好了，比如这个MongoDB，那么它到底是怎么去设置的。
当然这个设置，我们是需要去添加我们的服务。那这个怎么去添加呢？我们是通过 JSON 来进行导入的。
那么这个地方我们应该怎么去写？或者说我们要在这里添加什么样的配置信息？其实老师这边已经提前给大家写好了。如果大家有需要的话，可以在评论区留言，这个都可以发给大家并给大家讲解一下。
这个配置是什么意思呢？首先，这个goB是我们服务的名字。然后这个comd是我们要执行的命令，我们是通过MD来执行的。在MD当中执行时，我们有几个参数：一个是-C，然后是PX，再是-Y，再指定我们这个CP，然后mongo-就是我们这个CP服务的名字。下面这个是我们这个地址，这个地址是怎么来的？其实是在我们这个里面得到的，它会有这样的一个地址，我们就把这个…
地址填成自己的就可以了。只要你自己电脑上面开启了MongoDB服务，它就会进行连接。然后你把这个配置点击确定，服务就会启动，就已经启动成功了。
好，那么启动成功之后，接下来我们就回到聊天界面中。因为前面那个cell我们并没有实际进行测试，但结果其实是能够想象得到的。
好吧，那么下面我们要做什么呢？我们用同样的问题去测试一下加入PServ之后返回的结果。
首先，我们打开DB服务。接下来，我们可以问他：“数据库当中一共有多少位学生？”当然，这里还有一个点可以做。
对于我们的数据，可以看到他的回答是不精准的，对不对？我们可以发现他没有去调用我们的服务，说明这是幻觉，是胡编乱造的。
所以接下来的问题是，我们要给他设定一些提示词，让他进行优化。比如，当用户的提问涉及某些内容时，我们可以给他一个提示词。好吧，这个表结构我先不给他。
给我们一个提示词，告诉他一定要调用我们的工具。
因为这块我们已经开启了。好，我们现在就等待它运行的结果。可以看到，现在它给我们返回了正确答案 180。它会根据用户的问题生成对应的SQL语句，然后再进行数据库查询。
那不光是你要去获取多少位学生，甚至包括他们平时的分数，对吧？
以及这样的一些更复杂条件，我们都可以基于CB Server来实现。在查询结构化数据时，通过CB Server对接数据库，会比普通知识库有更好的检索效果。
除了以上优化方案，还有一种一例降十会的方法：使用超长上下文模型，直接将所有资料拖进对话框让AI检索。比如Ji Mi 2.0，现在已支持2000万token上下文，你可以随意把四大名著全部塞进对话框。下面我们就用Ji Mi来测试一下。
那首先我们来到这个Google Al Studx，然后我们来到这个网站之后，这里因为它需要国外的上网环境，所以大家需要自行去配置。然后我们可以来到右上角。
会有一个获取API key的选项，所以我们要点击这个。或者你也可以直接点击创建API密钥，点击一下。点击完之后，它会让你去选择一个项目。
如果你没有项目的话，它默认会让你去创建一个项目，按照它的操作执行即可。
然后创建完成之后，在这个地方它就会给到你一个API key。
然后你可以把这个密钥复制下来。复制下来之后，我们就可以回到这个。
UD里面打开咱们的这个模型，然后我们就可以选择这个AI，把我们的密钥复制进来，可以去做一个检测。
比如在这里，我们可以用这个ImmY2.0，点击确定去测试一下。
看一下它这个连接有没有问题，这里面有点慢，我们稍微等待一下。看到它现在已经连接成功了。
好，连接成功之后，接下来我们就可以回到聊天的窗口。比如我们再添加一个助手。
好，然后在这里我们把这个模型改一下，我们把它改成这个Gemini 2.0 Flash。改成这个之后，那其实我们就能够去上传这个文件了。比如你可以上传更复杂一点的文件。
当然这样我就随便上传一个，因为它其实无所谓。那如果说你想要去测试的更复杂一点的，比如说你可以把一个全本的《三国演义》全部拖进去，看一下它能不能检索到你想要的答案。在这里，我们给他去…OK好，这种因为比较简单，我只是给大家简单的做这样一个测试，大概就是这样。
但因为如果说你的上下文越长，那么它消耗的token也就会越多。所以目前来讲，直接通过Gemini这种超大型上下文来做知识库的检索，其实也是一种不错的方案。
AI知识库经常被调侃为”demo5分钟，上线一整年”。它并不是一个简单的上传即用的工具，而是一个系统性的工程。它需要我们根据数据的类型、查询的需求，选择合适的技术路径。AI知识库潜力是巨大的，但是不能盲目依赖。只有真正去理解它的技术边界，才能够避开陷阱，真正发挥价值。
想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！
👇👇扫码免费领取全部内容👇👇
一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势
想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：
1. 100+本大模型方向电子书
2. 26 份行业研究报告：覆盖多领域实践与趋势
报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：
- 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
- 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
- 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
- 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。
3. 600+套技术大会 PPT：听行业大咖讲实战
PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：
- 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
- 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
- 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
- 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。
二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走
想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！
1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位
面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：
2. 102 道 AI 大模型真题：直击大模型核心考点
针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：
3. 97 道 LLMs 真题：聚焦大型语言模型高频问题
专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：
三、路线必明： AI 大模型学习路线图，1 张图理清核心内容
刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！
路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。
L1阶段:启航篇丨极速破界AI新时代
L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。
L2阶段：攻坚篇丨RAG开发实战工坊
L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。
L3阶段：跃迁篇丨Agent智能体架构设计
L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。
L4阶段：精进篇丨模型微调与私有化部署
L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。
L5阶段：专题集丨特训篇 【录播课】
四、资料领取：全套内容免费抱走，学 AI 不用再找第二份
不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：
👇👇扫码免费领取全部内容👇👇
2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！
扫一扫
2125
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
