Alibaba Cloud Model Studio:Base de conocimientos

Aplicación de agente

1. Vaya a la página de Centro de aplicaciones, busque su aplicación de agente, haga clic en Configure en su tarjeta y seleccione un modelo para la aplicación.

2. Haga clic en el icono + junto a Document Knowledge Base para agregar la base de conocimiento que acaba de crear. Puede mantener los valores predeterminados para el umbral de similitud y el peso.

   (Opcional) Umbral de similitud: Filtrar resultados de recuperación

   Una base de conocimientos utiliza búsqueda semántica para encontrar texto conceptualmente relevante en sus datos o archivos privados, incluso sin palabras clave coincidentes.

   Por ejemplo, un usuario envía la siguiente consulta: Which Alibaba Cloud phone is best for photography?

   La respuesta real (por ejemplo, "Qwen Vivid 7...") no contiene ninguna palabra clave de la consulta.

   En la siguiente tabla, la similitud por palabras clave se calcula utilizando el índice de Jaccard, y la similitud semántica es la similitud del coseno calculada por el modelo text-embedding-v4.

   Texto recuperado	Similitud por palabras clave	Similitud semántica
   Qwen Vivid 7: Una nueva experiencia en fotografía inteligente	0	0.43
   Alibaba Cloud Model Studio Ace Ultra: La elección para jugadores	0.17	0.32
   Alibaba Cloud Model Studio Flex Fold+: Una nueva era de pantallas plegables	0.25	0.24

   Umbral de similitud: Solo se recupera texto con una puntuación de similitud semántica superior a este valor. Establecer este umbral demasiado alto puede provocar que se filtre texto relevante.

   (Opcional) Peso: Influir en el orden de recuperación de múltiples bases de conocimientos

   Cuando una aplicación de agente está asociada con múltiples bases de conocimientos, puede asignar un peso a cada una según la importancia de la fuente de información. Durante la recuperación de múltiples fuentes, si los fragmentos de diferentes bases de conocimientos tienen la misma puntuación de similitud, el sistema prioriza los fragmentos de la base de conocimientos con el mayor peso.

   • Limitación clave: El peso solo surte efecto entre bases de conocimiento del mismo tipo. Por ejemplo, el peso de una base de conocimiento de búsqueda de documentos no afecta el orden de recuperación de una base de conocimiento de consulta de datos, y viceversa.
   • Cómo funciona: El sistema primero calcula la relevancia de la consulta del usuario respecto al contenido de cada base de conocimientos para identificar los fragmentos más relevantes. Luego, multiplica la puntuación de similitud de cada fragmento por el peso de su base de conocimientos correspondiente. Después de reordenar los resultados basándose en estas puntuaciones ponderadas, se proporcionan al LLM como contexto, asegurando que los fragmentos con mayores puntuaciones ponderadas tengan prioridad en la respuesta final.

3. En el cuadro de entrada de la derecha, introduzca una pregunta. El LLM utiliza entonces la base de conocimientos para generar una respuesta.

   Por ejemplo: "Ayúdame a elegir el teléfono de Alibaba Cloud Model Studio con la mejor cámara por menos de 3,000 CNY".

   Estrategia de generación por lotes: Cuando necesita que una aplicación de agente genere un gran volumen de contenido desde una base de conocimientos, como preguntas de examen o resúmenes, una sola solicitud puede devolver menos elementos de los solicitados porque la longitud de salida de una respuesta del LLM es limitada. Divida la solicitud en varios lotes de aproximadamente 30 elementos cada uno y complételos en múltiples turnos. Por ejemplo, primero envíe "Generar preguntas 1-30 basadas en la base de conocimientos" y, después de completar ese lote, envíe "Continue con las preguntas 31-60". Referencia medida: una sola solicitud de 100 preguntas devolvió solo unas 24 preguntas, mientras que tres lotes de 30 preguntas cada uno devolvieron las 30 preguntas por lote, para un total de 90 preguntas. El número real de elementos generados varía según el modelo seleccionado y la longitud del contenido, por lo que debe usar sus propios resultados de prueba como referencia final.

Aplicación de flujo de trabajo

1. Vaya a la página Centro de aplicaciones, busque su aplicación de flujo de trabajo y haga clic en Configure en su tarjeta. Arrastre un nodo de Base de conocimientos al lienzo y conéctelo después del nodo Inicio.

2. Configure el nodo Base de conocimientos:

   1. Entrada: En la lista desplegable Valor a la derecha de la variable content, seleccione Built-in Variable query. La lista desplegable tiene una estructura de árbol; es posible que deba expandir el grupo "Variable integrada" para seleccionar la variable de consulta.

   2. Seleccionar base de conocimientos: Puede seleccionar una base de conocimientos para el nodo de dos maneras.

      • Seleccionar una base de conocimiento fija: Seleccione la base de conocimiento que creó en el paso anterior del menú desplegable. Utilice este método cuando se requiera la misma base de conocimiento para cada llamada.
      • Selección dinámica: Configure la variable CodeList para especificar dinámicamente una base de conocimiento según la salida de un nodo anterior. Esto es adecuado para escenarios donde necesita recuperar diferentes bases de conocimiento según distintas entradas.

   3. Establecer TopK (Opcional): Esta configuración determina el número de fragmentos devueltos a los nodos posteriores, que suelen ser nodos LLM.

      Aumentar este valor generalmente mejora la precisión de las respuestas del LLM, pero también incrementa el consumo de tokens de entrada del LLM.

3. Arrastre un nodo LLM al lienzo y conéctelo después del nodo Base de conocimientos y antes del nodo Fin.

4. Configure el nodo LLM:

   1. En la lista Configuración del modelo, seleccione un modelo para el nodo.

   2. En el Prompt, ingrese un prompt que indique al LLM que utilice la base de conocimiento. Ingrese "/" para insertar la variable result (que representa los resultados devueltos por la recuperación de la base de conocimiento).

      Por ejemplo, ingrese el título del prompt # Knowledge Base y el cuerpo como Please remember the following materials {Knowledge Base 1/result}, they may be helpful for answering questions.

5. Configure el nodo End: Introduzca / y seleccione LLM 1 > result para emitir el resultado del LLM.

6. Haga clic en Test en la esquina superior derecha de la página. En el cuadro de entrada de la derecha, ingrese una pregunta. El LLM utilizará la base de conocimientos para generar una respuesta.

   Por ejemplo: "Ayúdame a elegir el teléfono de Alibaba Cloud Model Studio con la mejor cámara por menos de 3,000 CNY".

Aplicación externa

Además de crear aplicaciones dentro de Alibaba Cloud Model Studio, puede utilizar el SDK de Model Studio para recuperar datos de una base de conocimiento para aplicaciones de IA externas.

Para obtener pasos detallados de integración, consulte la Guía de la API de base de conocimientos.

Crear una base de conocimientos

Después de hacer clic en Create Knowledge Base, cree la base de conocimiento en tres pasos: proporcione información básica y seleccione un tipo de base de conocimiento, configure un origen de datos y establezca los parámetros de índice.

1. En la página de base de conocimientos, haga clic en Create Knowledge Base.

2. Información básica

   Seleccione un Knowledge Base Type según su caso de uso. Una sola base de conocimientos admite solo un tipo. Si selecciona el tipo document search, también debe seleccionar un use case: Basic document Q&A, Rich-text Reply.

   • Preguntas y respuestas básicas de documentos: Ideal para búsquedas semánticas en documentos de texto sin formato.
   • Respuesta con texto enriquecido: Ideal para casos de uso que requieren respuestas que contengan tanto texto como imágenes.

   El tipo de base de conocimientos no se puede cambiar después de crearla.

   • Búsqueda de documentos
     • Casos de uso:
       • Ideal para recuperar información de datos no estructurados, como documentos corporativos internos y manuales de productos. Los datos no estructurados son información que no está organizada en un modelo de datos o esquema predefinido y pueden incluir texto, tablas e imágenes.
       • Si sus archivos contienen imágenes que want desea que la aplicación incluya en sus respuestas, seleccione document search.

     • Fuente de datos: Puede cargar archivos locales o importarlos desde Object Storage Service (OSS).

       Creación de búsqueda de documentos

       1. Seleccionar datos: Especifique una fuente de datos (archivos o contenido) para la base de conocimientos. El sistema importa el contenido de origen a la base de conocimientos para su recuperación. Puede utilizar carga local o importación en la nube (seleccionando una categoría o archivo existente).

          • Carga local: Cargue archivos directamente desde su computadora. Expanda el panel desplegable a continuación para aprender cómo seleccionar un parsing method.

            Métodos de análisis

            Configure la estrategia de análisis según sus necesidades. Si no está seguro de qué opción elegir, recomendamos utilizar la configuración predeterminada.

            • Análisis digital: No analiza ilustraciones ni gráficos en los archivos. Este es el método de análisis más rápido. Un documento de texto sin formato de 10 a 20 páginas generalmente se analiza en unos pocos segundos a 1 minuto.
            • Análisis inteligente de documentos: Reconoce y extrae texto de las ilustraciones en sus archivos para generar resúmenes de texto. Estos resúmenes, junto con otro contenido no gráfico, se fragmentan y vectorizan para su recuperación. Este método es relativamente rápido. Un documento de 10 a 20 páginas con ilustraciones generalmente tarda de 1 a 5 minutos en analizarse.
            • Análisis con LLM: Permite que las aplicaciones que utilizan el modelo Qwen-VL respondan preguntas sobre el contenido de ilustraciones y gráficos en sus archivos. Para habilitar el reconocimiento y la comprensión de este contenido, seleccione LLM Parsing. Dado que este método llama a un LLM para una comprensión profunda, un documento de 10 a 20 páginas con gráficos generalmente tarda de 2 a 10 minutos en analizarse.
            • Análisis con Qwen-VL: Diseñado específicamente para archivos de imagen. Puede especificar un modelo Qwen-VL y proporcionar un prompt para guiar el reconocimiento y la extracción del diseño y los elementos de la imagen. Una sola imagen generalmente se analiza en unos pocos segundos a 1 minuto.

          • Importación desde la nube: Importe archivos existentes desde Object Storage Service (OSS).

       2. Configuración de índice: Define cómo se procesan y almacenan los datos importados, lo cual afecta directamente al rendimiento de recuperación.

          Entre las siguientes configuraciones, solo el almacenamiento vectorial con AnalyticDB for PostgreSQL (ADB-PG) puede generar cargos. Todas las demás configuraciones son gratuitas.

          Extracción de metadatos

          Los metadatos consisten en atributos adicionales para datos no estructurados, que se integran en los fragmentos como pares clave-valor.

          • Propósito: Los metadatos proporcionan un contexto importante para los fragmentos y pueden mejorar significativamente la precisión de la recuperación de la base de conocimientos. Por ejemplo, considere una base de conocimientos que contiene miles de archivos de introducción de productos donde el nombre del archivo es el nombre del producto. Cuando un usuario busca "descripción funcional del Producto A", si el cuerpo de cada archivo contiene "descripción funcional" pero none menciona "Producto A", la base de conocimientos podría recuperar muchos fragmentos irrelevantes. Sin embargo, si agrega el nombre del producto como metadato a todos los fragmentos, la base de conocimientos puede filtrar con precisión los fragmentos relacionados con "Producto A" que también contengan "descripción funcional". Esto mejora la precisión de la recuperación y reduce el consumo de tokens de entrada del LLM.
          • Uso: Cuando usted llama a una aplicación mediante una API, puede especificar metadata en el parámetro de solicitud metadata_filter. Cuando la aplicación recupera información de la base de conocimientos, primero filtra los archivos relevantes basándose en los metadata especificados.
          • Nota: No puede configurar la extracción de metadatos después de crear una base de conocimientos.

          Configuración de metadatos

          Habilite Extracción de metadatos y luego haga clic en Settings para adjuntar metadatos uniformes o personalizados a all files in the knowledge base. Durante la fragmentación, los metadatos de cada archivo se integran en sus respectivos fragmentos.

          Nueva plantilla de metadatos

          Métodos de extracción de valores

          • Constante: Adjunta un atributo fijo a todos los archivos de la base de conocimientos.

            Como se muestra en el ejemplo anterior, si todos los archivos en la base de conocimientos tienen el mismo autor, puede establecer una constante para un campo llamado author.

          • Variable: Adjunta un atributo variable a cada archivo en la base de conocimientos. Los atributos admitidos actualmente son file_name y cat_name. Si selecciona file_name, Alibaba Cloud Model Studio adjunta el nombre del archivo a sus metadatos, como se muestra en el ejemplo anterior. Si selecciona cat_name, Alibaba Cloud Model Studio adjunta el nombre de la categoría que contiene el archivo a los metadatos del archivo.

          • LLM: El sistema compara el contenido del archivo con la regla de Descripción de entidad configurada, extrae la información relevante y la adjunta como un atributo de metadatos.

            Como se muestra en la plantilla de metadatos del ejemplo anterior, para extraer todos los años que aparecen en cada archivo como atributos de archivo, puede configurar un campo LLM llamado date. La descripción de la entidad se configura de la siguiente manera:

            En el cuadro de entrada Descripción de entidad, ingrese date information, extract only the year y luego haga clic en OK.

          • RegEx: El sistema compara el contenido de texto de cada archivo en la base de conocimiento con la expresión regular especificada. El contenido que coincide con la expresión se extrae y se agrega como un atributo a los metadatos del archivo.

            Como se muestra en la plantilla de metainformación del ejemplo anterior, si necesita extraer todas las referencias que aparecen en cada archivo (suponiendo que una referencia es cualquier texto que comienza con '《' y termina con '》'), puede configurar un campo de expresión regular llamado reference. La expresión regular se configura de la siguiente manera:

            Establezca el valor de la expresión regular en 《.*?》.

          • Búsqueda por palabras clave: El sistema busca palabras clave predefinidas en cada archivo y agrega las palabras clave coincidentes como atributos a los metadatos del archivo.

            Por ejemplo, en la plantilla de metadatos del ejemplo anterior, las palabras clave predefinidas son:

            Debido a que el archivo contiene solo las palabras clave "financiamiento", "industria", "verde" y "capital", el sistema extrae solo estas cuatro palabras clave como valor para el atributo keywords del archivo.

          Usado para recuperación: Si está habilitado, el campo de metadatos y su valor se utilizan para la recuperación de la base de conocimiento junto con el contenido del fragmento. Si está deshabilitado, solo se utiliza el contenido del fragmento para la recuperación.

          Usado para respuesta del modelo: Si está habilitado, el campo de metadatos y su valor se proporcionan al LLM como entrada para la generación de respuestas junto con el contenido del fragmento. Si está deshabilitado, solo se proporciona el contenido del fragmento al LLM para la generación de respuestas.

          Ensamblaje de encabezado de Excel

          Cuando está habilitado, la base de conocimiento trata la primera fila de todos los archivos XLSX y XLS como el encabezado y la agrega automáticamente a cada fragmento (fila de datos). Esto evita que el LLM malinterprete el encabezado como una fila de datos normal.

          Alcance: Esta configuración se aplica solo a archivos de tabla XLSX y XLS en la base de conocimientos, y trata la primera fila de cada archivo como el encabezado. No se aplica a formatos que no son tablas, como PDF, Word o Markdown. La configuración surte efecto cuando se crea la base de conocimientos (durante la fragmentación de documentos) y, al igual que la estrategia de fragmentación, no se puede cambiar después de crear la base de conocimientos.

          Lógica de procesamiento: La base de conocimientos divide los archivos de tablas por fila de datos: cada fila, excepto la primera (encabezado), se convierte en un fragmento separado. Cuando esta configuración está habilitada, la fila de encabezado se añade automáticamente a cada fragmento de fila de datos, de modo que cada fragmento contiene tanto los nombres de columna (encabezado) como los datos de la fila. Esto permite que el LLM interprete correctamente cada campo basándose en su nombre de columna, y la fila de encabezado ya no se procesa como una fila de datos normal, lo que evita confusiones semánticas durante la recuperación y las preguntas y respuestas.

          No necesita habilitar esta configuración si la base de conocimientos contiene archivos en otros formatos, como PDF, o si los archivos de tabla no contienen una fila de encabezado.

          Método de fragmentación

          Seleccione smart chunking (recommended).

          Propósito: Una base de conocimientos divide los archivos en fragmentos y los convierte en vectores utilizando un modelo de incrustación. Los fragmentos y vectores se almacenan luego como pares clave-valor en una base de datos vectorial. Después de crear la base de conocimientos, puede ver o editar el contenido específico (texto e imágenes) de cada fragmento.

          Título del fragmento: Además de su contenido principal, cada fragmento lleva un título que se muestra en la lista de fragmentos, se usa para identificar el fragmento y se incluye en la recuperación. La base de conocimientos genera el título del fragmento automáticamente durante el análisis inteligente de documentos, basándose en la jerarquía de encabezados que detecta. Tiene dos formas: un título corto (title, el encabezado más cercano al que pertenece el fragmento) y un título jerárquico (hier_title, la ruta completa desde el encabezado de nivel superior hasta el encabezado actual, con los niveles unidos por |>, por ejemplo Heading 1|>Heading 2). Por lo tanto, cuanto más clara sea la estructura de encabezados de un documento (como archivos PDF, Word o Markdown con encabezados de sección bien formados), más completos serán los títulos de fragmentos generados; para archivos tipo tabla que se dividen por filas de datos y generalmente carecen de una jerarquía de encabezados textual (como Excel), el título del fragmento depende de si se detecta una jerarquía de encabezados durante el análisis, y puede estar vacío cuando no se detecta none. También puede editar el título del fragmento manualmente en la gestión de fragmentos.

          Nota: Después de crear una base de conocimiento, no puede cambiar la configuración de fragmentación de documentos. Una estrategia de fragmentación inadecuada puede reducir el rendimiento de recuperación y recall.

          Reescritura de conversación multironda

          Cuando está habilitada, esta función utiliza un modelo dedicado para reescribir la consulta del usuario incorporando el historial de conversación. Este proceso crea una consulta completa e independiente para la recuperación de la base de conocimientos.

          Modelo de incrustación

          Un modelo de incrustación convierte el prompt de entrada original y el texto de conocimiento en vectores numéricos para que el sistema pueda calcular la similitud semántica. El modelo predeterminado Vector oficial (text-embedding-v2) admite múltiples idiomas además del chino y el inglés, y normaliza los vectores resultantes. Esta configuración no se puede cambiar.

          Las dimensiones del vector son fijas y no se pueden modificar:

          • Vector oficial (text-embedding-v2): 1,536 dimensiones
          • qwen3-vl-embedding: Se habilita automáticamente cuando se selecciona el caso de uso de comprensión visual. Admite la generación de vectores para imágenes y documentos de texto enriquecido después de la comprensión visual.

          Modelo de reordenamiento

          Un modelo de reordenamiento es externo a la base de conocimientos. Reordena los fragmentos candidatos de la recuperación vectorial inicial y devuelve los K fragmentos principales con las puntuaciones de similitud más altas. El reordenador oficial recomendado, qwen3-rerank (híbrido), considera tanto la relevancia semántica como las características de coincidencia de texto (como las puntuaciones BM25) para manejar mejor las consultas que requieren coincidencias precisas de palabras clave. Si solo necesita clasificación semántica, seleccione qwen3-rerank.

          Modo de modelo de reordenamiento

          Cuando crea una base de conocimientos, puede seleccionar uno de los siguientes tres modos para el modelo de reclasificación:

          • Modo de preguntas y respuestas (predeterminado): Puntúa basándose en la "relevancia de preguntas y respuestas" entre la consulta y los fragmentos candidatos. Este modo es adecuado para escenarios donde los usuarios hacen una pregunta completa y esperan encontrar la respuesta dentro de un fragmento.
          • Modo de similitud: Puntúa basándose en la "similitud semántica" entre la consulta y los fragmentos candidatos. Este modo es adecuado para escenarios donde la consulta y los fragmentos tienen un estilo de expresión similar.
          • Modo avanzado personalizado: Le permite ingresar una instrucción en lenguaje natural de hasta 200 caracteres para influir en el proceso de reclasificación. Este modo es adecuado para escenarios con requisitos de clasificación especiales.

          AdvertenciaPuede seleccionar un modo de modelo de reclasificación only when you create a knowledge base. You cannot change it after creation. Antes de configurar este ajuste, tenga en cuenta las siguientes limitaciones:

          • Limitación de tipo de base de conocimiento: Esta función solo es aplicable a bases de conocimiento de búsqueda de documentos, Consulta de datos y búsqueda de audio/video. No es compatible con bases de conocimiento de Preguntas y respuestas sobre imágenes.
          • Limitación de caso de uso: Esta función solo es compatible con los casos de uso de Preguntas y respuestas básicas sobre documentos y Respuesta de texto enriquecido. No es compatible con los casos de uso de comprensión visual (documentos de texto enriquecido) y Preguntas y respuestas rápidas.

          Umbral de similitud

          Este umbral establece la puntuación mínima de similitud requerida para que un fragmento sea recuperado de los resultados del modelo de reclasificación.

          NotaEste es el umbral de similitud predeterminado para la base de conocimientos. Cuando asocia la base de conocimientos con una aplicación específica de Alibaba Cloud Model Studio, puede establecer un umbral separado para esa aplicación, el cual anula el umbral predeterminado de la base de conocimientos.

          Reducir este umbral recupera más fragmentos, pero puede incluir contenido menos relevante. Por el contrario, aumentarlo recupera menos fragmentos y puede provocar que los relevantes se descarten si se establece demasiado alto.

          Puede utilizar la prueba de aciertos para ajustar el umbral de similitud y equilibrar la recuperación y la precisión.

          Recuento máximo de recuperación

          El sistema recupera fragmentos relacionados con la entrada de todas las bases de conocimientos asociadas, los reordena utilizando un modelo de reordenamiento y selecciona los K fragmentos más relevantes para agregarlos a la entrada del LLM como contexto. Este valor K es el recuento máximo de recuperación (hasta 20), y determina el número de fragmentos que el modelo de reordenamiento proporciona al LLM para el contexto.

          Aumentar este valor puede mejorar la precisión de la respuesta del LLM, pero también incrementa el consumo de tokens de entrada del LLM.

          Almacenamiento vectorial

          Seleccione una base de datos vectorial para almacenar vectores de texto. La base de datos vectorial Integrada es suficiente para las operaciones básicas de la base de conocimientos. Para capacidades avanzadas como gestión de bases de datos, auditoría o monitoreo, recomendamos AnalyticDB for PostgreSQL (ADB-PG).

          Cuando adquiere una instancia de AnalyticDB for PostgreSQL (ADB-PG), debe habilitar la Optimización del motor vectorial. De lo contrario, Alibaba Cloud Model Studio no podrá utilizar la instancia.

       Creación de comprensión visual

       Cuando selecciona el caso de uso de visual understanding (rich-text documents), la base de conocimientos utiliza un modelo de incrustación multimodal para comprender visualmente los documentos y preservar la información del diseño original, en lugar de utilizar métodos de fragmentación tradicionales.

       Restricciones de formato de archivo

       En el área de carga de archivos de la pestaña Seleccionar datos, pase el cursor sobre View format requirements para ver los requisitos.

       Diferencias en la configuración del índice

       La configuración del índice para el caso de uso de comprensión visual difiere de la de Preguntas y respuestas básicas de documentos:

       • Modelo de embedding: El modelo qwen3-vl-embedding se selecciona automáticamente y no se puede cambiar después de la creación.
       • Reescritura de conversaciones de múltiples turnos: Se puede activar o desactivar.
       • Umbral de similitud: El valor predeterminado es 0.20.
       • Recuento máximo final de recuperaciones: El valor predeterminado es 5.
       • Método de fragmentación: La comprensión visual no utiliza métodos de fragmentación tradicionales como la fragmentación inteligente o la fragmentación personalizada. En su lugar, comprende toda la página del documento basándose en la indexación visual.

       Restricciones de edición

       • El modelo de incrustación (qwen3-vl-embedding) y el tipo de almacenamiento vectorial (integrado) no se pueden cambiar después de la creación.
       • Solo puede cambiar la edición de la base de conocimientos una vez al día.
   • Consulta de datos
     • Casos de uso:

       • Ideal para crear sistemas de preguntas y respuestas basados en datos estructurados (datos organizados según un esquema de tabla predefinido), como asistentes para consultar preguntas frecuentes, datos de productos o información personal.

       • Si sus datos consisten en pares completos de preguntas y respuestas de FAQ, seleccione Data Query. Por ejemplo, si un archivo de Excel contiene dos columnas, Question y Answer, una base de conocimientos de Consulta de datos puede usar la columna Question para la recuperación y la columna Answer como contexto para la respuesta del LLM.

         Este procesamiento específico por columna no está disponible en el tipo de base de conocimientos de búsqueda de documentos.

       • Puede importar múltiples archivos de Excel, pero sus esquemas de tabla deben ser idénticos.

     • Integración de fuentes de datos: Puede cargar archivos XLS o XLSX locales.

       Creación de consulta de datos

       1. Seleccionar datos: Especifique un origen de datos (archivos o contenido) para la base de conocimiento. El sistema importa el contenido de origen a la base de conocimiento para su recuperación. Puede utilizar carga local o importación desde la nube.

          NotaEl origen de datos no se puede cambiar después de crear la base de conocimientos. Una sola base de conocimientos admite únicamente un origen de datos.

          • Carga local: Cargue tablas de datos en formato XLS o XLSX desde su computadora. La primera fila debe ser el encabezado de la tabla.
          • Importación desde la nube (seleccionar tabla de datos): Seleccione una tabla de datos existente de Alibaba Cloud Model Studio.

       2. Configuración de índice: Define cómo se procesan y almacenan los datos importados, lo cual afecta directamente al rendimiento de recuperación.

          Entre las siguientes configuraciones, solo el almacenamiento vectorial con AnalyticDB for PostgreSQL (ADB-PG) puede generar cargos. Todas las demás configuraciones son gratuitas.

          Configuración de recuperación y respuesta

          • Usado para recuperación: Si está activado, la base de conocimientos realiza la recuperación en esta columna.

          • Usado para respuesta del modelo: Si está habilitado, los resultados de recuperación de esta columna se proporcionan al LLM como contexto para la generación de respuestas. Por ejemplo, si habilita Usado para recuperación para las columnas "Nombre", "Género", "Puesto" y "Edad", pero habilita Usado para respuesta del modelo solo para las columnas "Nombre" y "Puesto", la base de conocimientos realizará la búsqueda en las cuatro columnas. Sin embargo, solo el contenido de las columnas "Nombre" y "Puesto" de los datos recuperados se proporcionará al LLM como contexto para su respuesta.

            Dado que la columna "Edad" no está habilitada para las respuestas del modelo, el LLM asociado con esta base de conocimientos no puede responder a la pregunta "¿Cuál es la edad de Zhang San?".

          Reescritura de conversación multironda

          Cuando está habilitada, esta función utiliza un modelo dedicado para reescribir la consulta del usuario incorporando el historial de conversación. Este proceso crea una consulta completa e independiente para la recuperación de la base de conocimientos.

          Modelo de incrustación

          Un modelo de incrustación convierte el prompt de entrada original y el texto de conocimiento en vectores numéricos para que el sistema pueda calcular la similitud semántica. El modelo predeterminado Vector oficial (text-embedding-v2) admite múltiples idiomas además del chino y el inglés, y normaliza los vectores resultantes. Esta configuración no se puede cambiar.

          Las dimensiones del vector son fijas y no se pueden modificar:

          • Vector oficial (text-embedding-v2): 1,536 dimensiones
          • qwen3-vl-embedding: Se habilita automáticamente cuando se selecciona el caso de uso de comprensión visual. Admite la generación de vectores para imágenes y documentos de texto enriquecido después de la comprensión visual.

          Modelo de reordenamiento

          Un modelo de reordenamiento es externo a la base de conocimientos. Reordena los fragmentos candidatos de la recuperación vectorial inicial y devuelve los K fragmentos principales con las puntuaciones de similitud más altas. El reordenador oficial recomendado, qwen3-rerank (híbrido), considera tanto la relevancia semántica como las características de coincidencia de texto (como las puntuaciones BM25) para manejar mejor las consultas que requieren coincidencias precisas de palabras clave. Si solo necesita clasificación semántica, seleccione qwen3-rerank.

          Modo de modelo de reordenamiento

          Cuando crea una base de conocimientos, puede seleccionar uno de los siguientes tres modos para el modelo de reclasificación:

          • Modo de preguntas y respuestas (predeterminado): Puntúa basándose en la "relevancia de preguntas y respuestas" entre la consulta y los fragmentos candidatos. Este modo es adecuado para escenarios donde los usuarios hacen una pregunta completa y esperan encontrar la respuesta dentro de un fragmento.
          • Modo de similitud: Puntúa basándose en la "similitud semántica" entre la consulta y los fragmentos candidatos. Este modo es adecuado para escenarios donde la consulta y los fragmentos tienen un estilo de expresión similar.
          • Modo avanzado personalizado: Le permite ingresar una instrucción en lenguaje natural de hasta 200 caracteres para influir en el proceso de reclasificación. Este modo es adecuado para escenarios con requisitos de clasificación especiales.

          AdvertenciaPuede seleccionar un modo de modelo de reclasificación only when you create a knowledge base. You cannot change it after creation. Antes de configurar este ajuste, tenga en cuenta las siguientes limitaciones:

          • Limitación de tipo de base de conocimiento: Esta función solo es aplicable a bases de conocimiento de búsqueda de documentos, Consulta de datos y búsqueda de audio/video. No es compatible con bases de conocimiento de Preguntas y respuestas sobre imágenes.
          • Limitación de caso de uso: Esta función solo es compatible con los casos de uso de Preguntas y respuestas básicas sobre documentos y Respuesta de texto enriquecido. No es compatible con los casos de uso de comprensión visual (documentos de texto enriquecido) y Preguntas y respuestas rápidas.

          Umbral de similitud

          Este umbral establece la puntuación mínima de similitud requerida para que un fragmento sea recuperado de los resultados del modelo de reclasificación.

          NotaEste es el umbral de similitud predeterminado para la base de conocimientos. Cuando asocia la base de conocimientos con una aplicación específica de Alibaba Cloud Model Studio, puede establecer un umbral separado para esa aplicación, el cual anula el umbral predeterminado de la base de conocimientos.

          Reducir este umbral recupera más fragmentos, pero puede incluir contenido menos relevante. Por el contrario, aumentarlo recupera menos fragmentos y puede provocar que los relevantes se descarten si se establece demasiado alto.

          Puede utilizar la prueba de aciertos para ajustar el umbral de similitud y equilibrar la recuperación y la precisión.

          Recuento máximo de recuperación

          El sistema recupera fragmentos relacionados con la entrada de todas las bases de conocimientos asociadas, los reordena utilizando un modelo de reordenamiento y selecciona los K fragmentos más relevantes para agregarlos a la entrada del LLM como contexto. Este valor K es el recuento máximo de recuperación (hasta 20), y determina el número de fragmentos que el modelo de reordenamiento proporciona al LLM para el contexto.

          Aumentar este valor puede mejorar la precisión de la respuesta del LLM, pero también incrementa el consumo de tokens de entrada del LLM.

          Almacenamiento vectorial

          Seleccione una base de datos vectorial para almacenar vectores de texto. La base de datos vectorial Integrada es suficiente para las operaciones básicas de la base de conocimientos. Para capacidades avanzadas como gestión de bases de datos, auditoría o monitoreo, recomendamos AnalyticDB for PostgreSQL (ADB-PG).

          Cuando adquiere una instancia de AnalyticDB for PostgreSQL (ADB-PG), debe habilitar la Optimización del motor vectorial. De lo contrario, Alibaba Cloud Model Studio no podrá utilizar la instancia.

   • Preguntas y respuestas con imágenes
     • Casos de uso:
       • Ideal para crear aplicaciones de recuperación multimodal que admiten búsqueda por imagen y búsqueda por imagen más texto, como asistentes de descubrimiento de productos o asistentes visuales de preguntas y respuestas.

     • Integración de fuentes de datos: Puede cargar archivos XLS o XLSX locales.

       Los archivos XLS y XLSX deben contener URL de imágenes accesibles públicamente para crear índices de imágenes. Para más detalles, consulte las instrucciones de creación a continuación.

       Creación de preguntas y respuestas de imágenes

       1. Seleccionar datos: Especifique un origen de datos (archivos o contenido) para importar a la base de conocimiento para su recuperación. Puede utilizar carga local o importación desde la nube (seleccione una tabla de datos existente de un conector de datos).

          NotaLa fuente de datos no se puede cambiar después de la creación, y una sola base de conocimientos solo admite una fuente de datos.

          • Carga local: Cargue tablas de datos en formato XLS o XLSX directamente desde su computadora.

            Nota

            • Requisito de campo: La tabla de datos debe contener al menos un campo del tipo image_url para generar el índice de imágenes.
            • Proceso de creación: La base de conocimientos accede a la URL de la imagen en el campo image_url, extrae características visuales y las convierte en vectores para su almacenamiento.
            • Proceso de recuperación: La base de conocimientos compara el vector generado a partir de la imagen cargada por el usuario con los vectores de imágenes almacenados y devuelve los registros más relevantes.

          • Importación desde la nube (seleccionar una tabla de datos): Seleccione una tabla de datos existente de sus datos de aplicación en Alibaba Cloud Model Studio.

       2. Configuración de índice: Define cómo se procesan y almacenan los datos importados, lo cual afecta directamente al rendimiento de recuperación.

          Entre las siguientes configuraciones, solo el almacenamiento vectorial con AnalyticDB for PostgreSQL (ADB-PG) puede generar cargos. Todas las demás configuraciones son gratuitas.

          Configuración de recuperación y respuesta

          • Usado para recuperación: Si está activado, la base de conocimientos realiza la recuperación en esta columna.

          • Usado para respuesta del modelo: Si está habilitado, los resultados de recuperación de esta columna se proporcionan al LLM como contexto para la generación de respuestas. Por ejemplo, si habilita Usado para recuperación para las columnas "Nombre", "Género", "Puesto" y "Edad", pero habilita Usado para respuesta del modelo solo para las columnas "Nombre" y "Puesto", la base de conocimientos realizará la búsqueda en las cuatro columnas. Sin embargo, solo el contenido de las columnas "Nombre" y "Puesto" de los datos recuperados se proporcionará al LLM como contexto para su respuesta.

            Dado que la columna "Edad" no está habilitada para las respuestas del modelo, el LLM asociado con esta base de conocimientos no puede responder a la pregunta "¿Cuál es la edad de Zhang San?".

          Reescritura de conversación multironda

          Cuando está habilitada, esta función utiliza un modelo dedicado para reescribir la consulta del usuario incorporando el historial de conversación. Este proceso crea una consulta completa e independiente para la recuperación de la base de conocimientos.

          Modelo de incrustación

          Un modelo de embedding convierte los prompts de entrada originales, el texto de conocimiento y las imágenes en vectores numéricos para permitir comparaciones de similitud. Para obtener más información, consulte Vectorización de texto y multimodal.

          • qwen2.5-vl-embedding: Representa entradas monomodales o de modalidad mixta como un vector unificado, adecuado para la recuperación cruzada y la búsqueda de imágenes. Por ejemplo, si ingresa una imagen de una camisa con el texto "encuentra un estilo similar que luzca más juvenil", el modelo puede fusionar la imagen y las instrucciones de texto en un solo vector para su comprensión.
          • multimodal-embedding-v1: Genera vectores separados para cada parte de la entrada (imagen y texto).
          • qwen3-vl-embedding: Una versión mejorada de qwen2.5-vl-embedding que mejora aún más la comprensión de la fusión de imagen y texto y la precisión de recuperación multimodal.

          Modelo de reordenamiento

          Un modelo de reordenamiento es externo a la base de conocimientos. Reordena los fragmentos candidatos de la recuperación vectorial inicial y devuelve los K fragmentos principales con las puntuaciones de similitud más altas. El reordenador oficial recomendado, qwen3-rerank (híbrido), considera tanto la relevancia semántica como las características de coincidencia de texto (como las puntuaciones BM25) para manejar mejor las consultas que requieren coincidencias precisas de palabras clave. Si solo necesita clasificación semántica, seleccione qwen3-rerank.

          Modo de modelo de reordenamiento

          Cuando crea una base de conocimientos, puede seleccionar uno de los siguientes tres modos para el modelo de reclasificación:

          • Modo de preguntas y respuestas (predeterminado): Puntúa basándose en la "relevancia de preguntas y respuestas" entre la consulta y los fragmentos candidatos. Este modo es adecuado para escenarios donde los usuarios hacen una pregunta completa y esperan encontrar la respuesta dentro de un fragmento.
          • Modo de similitud: Puntúa basándose en la "similitud semántica" entre la consulta y los fragmentos candidatos. Este modo es adecuado para escenarios donde la consulta y los fragmentos tienen un estilo de expresión similar.
          • Modo avanzado personalizado: Le permite ingresar una instrucción en lenguaje natural de hasta 200 caracteres para influir en el proceso de reclasificación. Este modo es adecuado para escenarios con requisitos de clasificación especiales.

          AdvertenciaPuede seleccionar un modo de modelo de reclasificación only when you create a knowledge base. You cannot change it after creation. Antes de configurar este ajuste, tenga en cuenta las siguientes limitaciones:

          • Limitación de tipo de base de conocimiento: Esta función solo es aplicable a bases de conocimiento de búsqueda de documentos, Consulta de datos y búsqueda de audio/video. No es compatible con bases de conocimiento de Preguntas y respuestas sobre imágenes.
          • Limitación de caso de uso: Esta función solo es compatible con los casos de uso de Preguntas y respuestas básicas sobre documentos y Respuesta de texto enriquecido. No es compatible con los casos de uso de comprensión visual (documentos de texto enriquecido) y Preguntas y respuestas rápidas.

          Umbral de similitud

          Este umbral establece la puntuación mínima de similitud requerida para que un fragmento sea recuperado de los resultados del modelo de reclasificación.

          NotaEste es el umbral de similitud predeterminado para la base de conocimientos. Cuando asocia la base de conocimientos con una aplicación específica de Alibaba Cloud Model Studio, puede establecer un umbral separado para esa aplicación, el cual anula el umbral predeterminado de la base de conocimientos.

          Reducir este umbral recupera más fragmentos, pero puede incluir contenido menos relevante. Por el contrario, aumentarlo recupera menos fragmentos y puede provocar que los relevantes se descarten si se establece demasiado alto.

          Puede utilizar la prueba de aciertos para ajustar el umbral de similitud y equilibrar la recuperación y la precisión.

          Recuento máximo de recuperación

          El sistema recupera fragmentos relacionados con la entrada de todas las bases de conocimientos asociadas, los reordena utilizando un modelo de reordenamiento y selecciona los K fragmentos más relevantes para agregarlos a la entrada del LLM como contexto. Este valor K es el recuento máximo de recuperación (hasta 20), y determina el número de fragmentos que el modelo de reordenamiento proporciona al LLM para el contexto.

          Aumentar este valor puede mejorar la precisión de la respuesta del LLM, pero también incrementa el consumo de tokens de entrada del LLM.

          Almacenamiento vectorial

          Seleccione una base de datos vectorial para almacenar vectores de texto. La base de datos vectorial Integrada es suficiente para las operaciones básicas de la base de conocimientos. Para capacidades avanzadas como gestión de bases de datos, auditoría o monitoreo, recomendamos AnalyticDB for PostgreSQL (ADB-PG).

          Cuando adquiere una instancia de AnalyticDB for PostgreSQL (ADB-PG), debe habilitar la Optimización del motor vectorial. De lo contrario, Alibaba Cloud Model Studio no podrá utilizar la instancia.

   Puede seleccionar un use case según sus requisitos, como Basic document Q&A, Respuesta de texto enriquecido.

Durante las horas pico, la creación de la base de conocimientos puede tardar varias horas, dependiendo del volumen de datos.

Actualizar una base de conocimientos

Los cambios en una base de conocimientos se sincronizan en tiempo real con todas las aplicaciones que la referencian.

Editar base de conocimientos

Después de crear una base de conocimientos, solo puede modificar su nombre de base de conocimientos, descripción de base de conocimientos y umbral de similitud. Para cambiar cualquier otra configuración, debe eliminar y volver a crear la base de conocimientos. Esta operación está disponible solo en la consola y no tiene una API correspondiente.

Procedimiento: En la página de Base de conocimientos , busque la base de conocimientos objetivo, haga clic en el icono en su tarjeta y luego haga clic en Edit. Nota: Solo puede modificar la configuración de una base de conocimientos una vez por día natural. Los intentos posteriores se rechazarán silenciosamente.

Eliminar una base de conocimientos

Antes de eliminar una base de conocimientos, recomendamos desasociarla de todas las aplicaciones de Model Studio publicadas.

Aún puede eliminar una base de conocimientos asociada a aplicaciones no publicadas.

Cambiar configuración

La Enterprise Edition utiliza RCU para garantizar un alto rendimiento de recuperación con un QPS elevado y admite una mayor capacidad de almacenamiento. La Standard Edition es adecuada para escenarios de desarrollo, pruebas o baja concurrencia.

RCU: Una Unidad de Cómputo de Recuperación (RCU) es una medida de la concurrencia de recuperación para una base de conocimiento. 1 RCU admite hasta aproximadamente 50 QPS para recuperación en línea. Un mayor número de RCU admite una mayor concurrencia.

• Nota:

  • Si una base de conocimientos de Edición Empresarial utiliza almacenamiento de plataforma, debe reducir su espacio de almacenamiento utilizado a menos de 80 GB antes de poder degradarla a la Edición Estándar.

    Puede liberar espacio de almacenamiento eliminando archivos o datos de la base de conocimientos.

• Procedimiento:

  1. En la página de Base de conocimientos , busque la base de conocimientos para reconfigurar. Haga clic en el icono en su tarjeta y luego haga clic en Edit.

  2. En el cuadro de diálogo, seleccione una acción según la edición actual:

     • Standard Edition: Seleccione Upgrade.
     • Enterprise Edition: Seleccione Downgrade o Change RCU Count.

  3. Siga las instrucciones en pantalla para completar el proceso. La nueva configuración surte efecto inmediatamente después de hacer clic en OK.

Prueba de recuperación

Utilice la prueba de aciertos para verificar que su base de conocimiento proporciona un contexto preciso para su aplicación de IA. Este proceso implica simular consultas de usuarios, evaluar los resultados de recuperación y ajustar el umbral de similitud.

El modelo de reordenamiento en las pruebas de recuperación admite tres modos: Modo de preguntas y respuestas (predeterminado), diseñado para consultas que no coinciden perfectamente con el contenido del documento; modo de similitud, ideal para consultas que son altamente similares al contenido del documento; y modo avanzado personalizado. Las puntuaciones de clasificación para la misma consulta pueden variar significativamente dependiendo del modo seleccionado. Por ejemplo, el mismo segmento de texto podría obtener una puntuación de 47% en el modo de preguntas y respuestas, pero hasta 69% en el modo de similitud.

Con la prueba de aciertos, usted puede:

• Verificar que la base de conocimientos proporciona un contexto efectivo a su aplicación de IA
• Ajustar el umbral de similitud para equilibrar la tasa de recuperación y la precisión
• Identificar lagunas de contenido o problemas de calidad en su base de conocimientos

Casos de uso

• Escenario 1: Consulta de precios de productos

Test input: "How much does your Model Studio phone cost?"
Expected result: Retrieve relevant text segments that contain price information.

• Escenario 2: Solución de un problema técnico

Test input: "What should I do if my device can't connect to Wi-Fi?"
Expected result: Retrieve relevant text segments about troubleshooting Wi-Fi connection issues.

• Escenario 3: Recuperación con comprensión visual

A visual understanding knowledge base supports three query modes: text-only, image-only, and image+text.
Mode 1 (text-only): Enter "Object Storage Service" to retrieve relevant segments from documents and images.
Mode 2 (image-only): Upload a product screenshot. The system uses visual understanding to match semantically similar segments.
Mode 3 (image+text): Upload an image and enter descriptive text. This combined query can improve retrieval relevance.

• Escenario 4: Preguntas y respuestas exprés

An Express Q&A knowledge base supports text-only queries (image input is not supported) and is ideal for fast retrieval from structured documents:
Test input: "What is the price of the Qwen Pro 8?"
Expected result: Quickly retrieve relevant FAQ segments that include price information.

Procedimiento

1. En la página de base de conocimientos, haga clic en Hit Test en la tarjeta de la base de conocimientos objetivo.

2. En la interfaz de prueba, introduzca una pregunta (idealmente una común de sus usuarios) y revise los resultados de la recuperación.

   • Resultados de recuperación: Esta sección muestra los resultados de recuperación de la prueba actual, ordenados por similitud en orden descendente. Haga clic en cualquier segmento de texto para ver su contenido.
   • Icono: Para una base de conocimientos de preguntas y respuestas de imágenes, el sistema primero convierte la imagen de entrada en un vector y recupera segmentos relevantes. Luego envía estos segmentos junto con la pregunta a un LLM para generar una respuesta. Para las bases de conocimientos de búsqueda de documentos y consulta de datos, el sistema no utiliza la imagen cargada para la recuperación. Sin embargo, una base de conocimientos de búsqueda de documentos configurada para "comprensión visual" sí utiliza la imagen para la recuperación, admitiendo modos de consulta de solo texto, solo imagen e imagen+texto. Esta consulta combinada puede mejorar la relevancia de la recuperación.

3. Verifique que se recuperen los segmentos de texto relevantes. De lo contrario, ajuste el umbral de similitud y repita el paso anterior.

4. Haga clic en View Recall History para comparar el rendimiento de recuperación entre diferentes configuraciones de umbral.