Alibaba Cloud Model Studio:Base de connaissances

Agent application

1. Accédez à la page App Center, localisez votre application agent, cliquez sur Configure sur sa carte et sélectionnez un modèle pour l'application.

2. Cliquez sur l'icône + à côté de Document Knowledge Base pour ajouter la base de connaissances que vous venez de créer. Vous pouvez conserver les valeurs par défaut pour le seuil de similarité et le poids.

   (Facultatif) Seuil de similarité : Filtrer les résultats de récupération

   Une base de connaissances utilise la recherche sémantique pour trouver du texte conceptuellement pertinent dans vos données ou fichiers privés, même sans correspondance de mots-clés.

   Par exemple, un utilisateur soumet la requête suivante : Which Alibaba Cloud phone is best for photography?

   La réponse réelle (par exemple, « Qwen Vivid 7... ») ne contient aucun mot-clé de la requête.

   Dans le tableau ci-dessous, la similarité par mots-clés est calculée à l'aide de l' indice de Jaccard , et la similarité sémantique est la similarité cosinus calculée par le modèle text-embedding-v4 .

   Retrieved text	Keyword similarity	Semantic similarity
   Qwen Vivid 7: A new experience in smart photography	0	0,43
   Alibaba Cloud Model Studio Ace Ultra: The choice for gamers	0,17	0,32
   Alibaba Cloud Model Studio Flex Fold+: A new era of foldable screens	0,25	0,24

   Seuil de similarité : Seul le texte dont le score de similarité sémantique est supérieur à cette valeur est récupéré. Définir ce seuil trop haut peut entraîner le filtrage de textes pertinents.

   (Facultatif) Poids : Influencer l'ordre de récupération depuis plusieurs bases de connaissances

   Lorsqu'une application agent est associée à plusieurs bases de connaissances, vous pouvez attribuer un poids à chacune en fonction de l'importance de la source d'information. Lors d'une récupération multisource, si des fragments provenant de différentes bases de connaissances ont le même score de similarité, le système priorise les fragments de la base de connaissances ayant le poids le plus élevé.

   • Limitation clé : Le poids n'est effectif qu'entre des bases de connaissances du même type. Par exemple, le poids d'une base de connaissances de recherche documentaire n'affecte pas l'ordre de récupération d'une base de connaissances de requête de données, et vice versa.
   • Fonctionnement : Le système calcule d'abord la pertinence de la requête utilisateur par rapport au contenu de chaque base de connaissances pour identifier les fragments les plus pertinents. Il multiplie ensuite le score de similarité de chaque fragment par le poids de sa base de connaissances correspondante. Après un reclassement basé sur ces scores pondérés, les résultats sont fournis au LLM comme contexte, garantissant que les fragments ayant les scores pondérés les plus élevés sont prioritaires dans la réponse finale.

3. Dans la zone de saisie à droite, entrez une question. Le LLM utilise alors la base de connaissances pour générer une réponse.

   Par exemple : « Aidez-moi à choisir le téléphone Alibaba Cloud Model Studio avec le meilleur appareil photo pour moins de 3 000 CNY. »

   Stratégie de génération par lots : Lorsque vous avez besoin qu'une application agent génère un grand volume de contenu à partir d'une base de connaissances, comme des questions de quiz ou des résumés, une seule requête peut renvoyer moins d'éléments que demandé car la longueur de sortie d'une réponse LLM est limitée. Divisez la requête en plusieurs lots d'environ 30 éléments chacun et complétez-les sur plusieurs tours. Par exemple, envoyez d'abord « Générer les questions 1 à 30 en fonction de la base de connaissances », et une fois ce lot terminé, envoyez « Continuer avec les questions 31 à 60 ». Référence mesurée : une seule requête pour 100 questions n'a renvoyé qu'environ 24 questions, tandis que trois lots de 30 questions chacun ont renvoyé toutes les 30 questions par lot, soit 90 questions au total. Le nombre réel d'éléments générés varie selon le modèle sélectionné et la longueur du contenu ; utilisez donc vos propres résultats de test comme référence finale.

Workflow application

1. Accédez à la page App Center, localisez votre application de workflow et cliquez sur Configure sur sa carte. Faites glisser un nœud Knowledge Base sur le canevas et connectez-le après le nœud Start.

2. Configurez le nœud Knowledge Base :

   1. Input : Dans la liste déroulante Value à droite de la variable content, sélectionnez Built-in Variable > query. La liste déroulante a une structure arborescente ; vous devrez peut-être développer le groupe « Built-in Variable » pour sélectionner la variable query.

   2. Select Knowledge Base : Vous pouvez sélectionner une base de connaissances pour le nœud de deux manières.

      • Sélectionner une base de connaissances fixe : Sélectionnez la base de connaissances que vous avez créée à l'étape précédente dans le menu déroulant. Utilisez cette méthode lorsque la même base de connaissances est requise pour chaque appel.
      • Dynamic Selection : Configurez la variable CodeList pour spécifier dynamiquement une base de connaissances en fonction de la sortie d'un nœud en amont. Cela convient aux scénarios où vous devez récupérer différentes bases de connaissances en fonction de différentes entrées.

   3. Set TopK (facultatif) : Ce paramètre détermine le nombre de fragments renvoyés aux nœuds en aval, qui sont généralement des nœuds LLM.

      Augmenter cette valeur améliore généralement la précision des réponses du LLM, mais augmente également la consommation de jetons d'entrée du LLM.

3. Faites glisser un nœud LLM sur le canevas et connectez-le après le nœud Knowledge Base et avant le nœud End.

4. Configurez le nœud LLM :

   1. Dans la liste Model configuration, sélectionnez un modèle pour le nœud.

   2. Dans le Prompt, saisissez un prompt qui indique au LLM d'utiliser la base de connaissances. Saisissez « / » pour insérer la variable result (qui représente les résultats renvoyés par la récupération de la base de connaissances).

      Par exemple, saisissez le titre du prompt # Knowledge Base, et le corps comme Please remember the following materials {Knowledge Base 1/result}, they may be helpful for answering questions.

5. Configurez le nœud End : Saisissez / et sélectionnez LLM 1 > result pour afficher le résultat du LLM.

6. Cliquez sur Test dans le coin supérieur droit de la page. Dans la zone de saisie à droite, entrez une question. Le LLM utilisera la base de connaissances pour générer une réponse.

   Par exemple : « Aidez-moi à choisir le téléphone Alibaba Cloud Model Studio avec le meilleur appareil photo pour moins de 3 000 CNY. »

External application

En plus de créer des applications dans Alibaba Cloud Model Studio, vous pouvez utiliser le SDK Model Studio pour récupérer des données d'une base de connaissances pour des applications IA externes.

Pour les étapes d'intégration détaillées, consultez le Guide de l'API Base de connaissances.

Créer une base de connaissances

Après avoir cliqué sur Create Knowledge Base, créez la base de connaissances en trois étapes : fournissez les informations de base et sélectionnez un type de base de connaissances, configurez une source de données et définissez les paramètres d'index.

1. Sur la page base de connaissances, cliquez sur Create Knowledge Base.

2. Informations de base

   Sélectionnez un Knowledge Base Type en fonction de votre cas d'utilisation. Une seule base de connaissances prend en charge un seul type. Si vous sélectionnez le type document search, vous devez également sélectionner un use case : Basic document Q&A, Rich-text Reply.

   • Basic document Q&A : Idéal pour la recherche sémantique sur des documents en texte brut.
   • Rich-text Reply : Idéal pour les cas d'utilisation nécessitant des réponses contenant à la fois du texte et des images.

   Le type de base de connaissances ne peut pas être modifié après la création de la base de connaissances.

   • Document search
     • Cas d'utilisation :
       • Idéal pour la récupération d'informations à partir de données non structurées, telles que les documents internes d'entreprise et les manuels de produits. Les données non structurées sont des informations qui ne sont pas organisées selon un modèle de données ou un schéma prédéfini et peuvent inclure du texte, des tableaux et des images.
       • Si vos fichiers contiennent des images que vous souhaitez que l'application inclue dans ses réponses, sélectionnez document search.

     • Data source : Vous pouvez télécharger des fichiers locaux ou les importer depuis Object Storage Service (OSS).

       Création de recherche documentaire

       1. Select data : Spécifiez une source de données (fichiers ou contenu) pour la base de connaissances. Le système importe le contenu source dans la base de connaissances pour la récupération. Vous pouvez utiliser local upload ou cloud import (en sélectionnant une catégorie ou un fichier existant).

          • Local upload : Téléchargez des fichiers directement depuis votre ordinateur. Développez le panneau réductible ci-dessous pour savoir comment sélectionner une méthode d'analyse.

            Méthodes d'analyse

            Configurez la stratégie d'analyse en fonction de vos besoins. Si vous ne savez pas quelle option choisir, nous vous recommandons d'utiliser les paramètres par défaut.

            • Digital Parsing : n'analyse pas les illustrations ou les graphiques présents dans les fichiers. Il s'agit de la méthode d'analyse la plus rapide. Un document texte brut de 10 à 20 pages est généralement analysé en quelques secondes à 1 minute.
            • Intelligent Document Parsing : reconnaît et extrait le texte des illustrations de vos fichiers pour générer des résumés textuels. Ces résumés, ainsi que les autres contenus non imagés, sont ensuite découpés en segments et vectorisés pour la recherche. Cette méthode est relativement rapide. L'analyse d'un document de 10 à 20 pages contenant des illustrations prend généralement entre 1 et 5 minutes.
            • LLM Parsing : permet aux applications utilisant le modèle Qwen-VL de répondre à des questions sur le contenu des illustrations et des graphiques de vos fichiers. Pour activer la reconnaissance et la compréhension de ce contenu, sélectionnez LLM Parsing. Étant donné que cette méthode fait appel à un LLM pour une compréhension approfondie, l'analyse d'un document de 10 à 20 pages contenant des graphiques prend généralement entre 2 et 10 minutes.
            • Qwen-VL parsing : conçu spécifiquement pour les fichiers image. Vous pouvez spécifier un modèle Qwen-VL et fournir une invite pour guider la reconnaissance et l'extraction de la mise en page et des éléments de l'image. Une seule image est généralement analysée en quelques secondes à 1 minute.

          • Importation depuis le cloud : importez des fichiers existants depuis Object Storage Service (OSS).

       2. Configuration de l'index : définit la manière dont les données importées sont traitées et stockées, ce qui affecte directement les performances de recherche.

          Parmi les paramètres suivants, seul le stockage vectoriel avec AnalyticDB for PostgreSQL (ADB-PG) peut engendrer des frais. Tous les autres paramètres sont gratuits.

          Extraction des métadonnées

          Les métadonnées sont constituées d'attributs supplémentaires pour les données non structurées, qui sont intégrés aux segments sous forme de paires clé-valeur.

          • Objectif : les métadonnées fournissent un contexte important pour les segments et peuvent améliorer considérablement la précision de la recherche dans la base de connaissances. Par exemple, prenons une base de connaissances contenant des milliers de fichiers de présentation de produits, où le nom du fichier correspond au nom du produit. Lorsqu'un utilisateur recherche « aperçu fonctionnel du Produit A », si le corps de chaque fichier contient « aperçu fonctionnel » mais qu'aucun ne mentionne « Produit A », la base de connaissances risque de récupérer de nombreux segments non pertinents. En revanche, si vous ajoutez le nom du produit comme métadonnée à tous les segments, la base de connaissances peut filtrer avec précision les segments liés au « Produit A » qui contiennent également « aperçu fonctionnel ». Cela améliore la précision de la recherche et réduit la consommation de jetons d'entrée du LLM.
          • Utilisation : lorsque vous appelez une application via une API, vous pouvez spécifier metadata dans le paramètre de requête metadata_filter. Lorsque l'application récupère des informations depuis la base de connaissances, elle filtre d'abord les fichiers pertinents en fonction des metadata spécifiées.
          • Remarque : vous ne pouvez pas configurer l'extraction des métadonnées après la création d'une base de connaissances.

          Configuration des métadonnées

          Activez Metadata extraction, puis cliquez sur Settings pour associer des métadonnées uniformes ou personnalisées à tous les fichiers de la base de connaissances. Lors du découpage en segments, les métadonnées de chaque fichier sont intégrées à ses segments respectifs.

          Nouveau modèle de métadonnées

          Méthodes d'extraction des valeurs

          • Constant : associe un attribut fixe à tous les fichiers de la base de connaissances.

            Comme illustré dans l'exemple précédent, si tous les fichiers de la base de connaissances ont le même auteur, vous pouvez définir une constante pour un champ nommé author .

          • Variable : associe un attribut variable à chaque fichier de la base de connaissances. Les attributs actuellement pris en charge sont file_name et cat_name. Si vous sélectionnez file_name, Alibaba Cloud Model Studio associe le nom du fichier à ses métadonnées, comme indiqué dans l'exemple précédent. Si vous sélectionnez cat_name, Alibaba Cloud Model Studio associe le nom de la catégorie contenant le fichier aux métadonnées de ce dernier.

          • LLM : le système met en correspondance le contenu du fichier avec la règle Entity Description configurée, extrait les informations pertinentes et les associe en tant qu'attribut de métadonnée.

            Comme illustré dans le modèle de métadonnées de l'exemple précédent, pour extraire toutes les années apparaissant dans chaque fichier en tant qu'attributs de fichier, vous pouvez configurer un champ LLM nommé date . La description de l'entité est configurée comme suit :

            Dans la zone de saisie Entity Description, entrez date information, extract only the year, puis cliquez sur OK.

          • RegEx : le système met en correspondance le contenu textuel de chaque fichier de la base de connaissances avec l'expression régulière spécifiée. Le contenu correspondant à l'expression est extrait et ajouté en tant qu'attribut aux métadonnées du fichier.

            Comme illustré dans le modèle de métainformations de l'exemple ci-dessus, si vous devez extraire toutes les références apparaissant dans chaque fichier (en supposant qu'une référence est tout texte commençant par « 《 » et se terminant par « 》 »), vous pouvez configurer un champ d'expression régulière nommé reference . L'expression régulière est configurée comme suit :

            Définissez la valeur de l'expression régulière sur 《.*?》.

          • Keyword search : le système recherche des mots-clés prédéfinis dans chaque fichier et ajoute les mots-clés correspondants en tant qu'attributs aux métadonnées du fichier.

            Par exemple, dans le modèle de métadonnées de l'exemple précédent, les mots-clés prédéfinis sont :

            Étant donné que le fichier ne contient que les mots-clés « financing », « industry », « green » et « capital », le système extrait uniquement ces quatre mots-clés en tant que valeur pour l'attribut keywords du fichier.

          Used for Retrieval : si cette option est activée, le champ de métadonnée et sa valeur sont utilisés pour la recherche dans la base de connaissances, conjointement avec le contenu du segment. Si elle est désactivée, seul le contenu du segment est utilisé pour la recherche.

          Used for Model Reply : si cette option est activée, le champ de métadonnée et sa valeur sont fournis au LLM en tant qu'entrée pour la génération de réponses, conjointement avec le contenu du segment. Si elle est désactivée, seul le contenu du segment est fourni au LLM pour la génération de réponses.

          Assemblage des en-têtes Excel

          Lorsque cette option est activée, la base de connaissances traite la première ligne de tous les fichiers XLSX et XLS comme un en-tête et l'ajoute automatiquement à chaque segment (ligne de données). Cela empêche le LLM d'interpréter l'en-tête comme une ligne de données ordinaire.

          Portée : ce paramètre s'applique uniquement aux fichiers de tableau XLSX et XLS de la base de connaissances, et il traite la première ligne de chaque fichier comme un en-tête. Il ne s'applique pas aux formats non tabulaires tels que PDF, Word ou Markdown. Le paramètre prend effet lors de la création de la base de connaissances (pendant le découpage des documents) et, comme la stratégie de découpage, ne peut pas être modifié après la création de la base de connaissances.

          Logique de traitement : la base de connaissances découpe les fichiers de tableau par ligne de données : chaque ligne autre que la première ligne (en-tête) devient un segment distinct. Lorsque ce paramètre est activé, la ligne d'en-tête est automatiquement ajoutée à chaque segment de ligne de données, de sorte que chaque segment contient à la fois les noms de colonnes (en-tête) et les données de la ligne. Cela permet au LLM d'interpréter correctement chaque champ en fonction de son nom de colonne, et la ligne d'en-tête n'est plus traitée comme une ligne de données ordinaire, ce qui évite toute confusion sémantique lors de la recherche et des questions-réponses.

          Vous n'avez pas besoin d'activer ce paramètre si la base de connaissances contient des fichiers dans d'autres formats, tels que PDF, ou si les fichiers de tableau ne contiennent pas de ligne d'en-tête.

          Méthode de découpage

          Sélectionnez smart chunking (recommended).

          Objectif : Une base de connaissances divise les fichiers en segments et les convertit en vecteurs à l'aide d'un modèle d'embedding. Les segments et les vecteurs sont ensuite stockés sous forme de paires clé-valeur dans une base de données vectorielle. Après la création de la base de connaissances, vous pouvez afficher ou modifier le contenu spécifique (texte et images) de chaque segment.

          Titre du segment : En plus de son contenu principal, chaque segment comporte un titre qui est affiché dans la liste des segments, utilisé pour identifier le segment et inclus dans la recherche. La base de connaissances génère automatiquement le titre du segment lors de l'analyse intelligente des documents , en fonction de la hiérarchie des titres qu'elle détecte. Il existe deux formes : un titre court ( title , le titre le plus proche auquel appartient le segment) et un titre hiérarchique ( hier_title , le chemin complet du titre de niveau supérieur jusqu'au titre actuel, avec les niveaux joints par |> , par exemple Heading 1|>Heading 2 ). Par conséquent, plus la structure des titres d'un document est claire (comme les fichiers PDF, Word ou Markdown avec des titres de section bien formés), plus les titres de segment générés sont complets ; pour les fichiers de type tableau qui sont divisés par lignes de données et qui manquent généralement d'une hiérarchie de titres textuelle (comme Excel), le titre du segment dépend de la détection d'une hiérarchie de titres lors de l'analyse, et peut être vide si aucune n'est détectée. Vous pouvez également modifier manuellement le titre du segment dans la gestion des segments.

          Remarque : Après la création d'une base de connaissances, vous ne pouvez pas modifier les paramètres de découpage des documents . Une stratégie de découpage inappropriée peut réduire les performances de recherche et de rappel.

          Réécriture des conversations multi-tours

          Lorsqu'elle est activée, cette fonctionnalité utilise un modèle dédié pour reformuler la requête de l'utilisateur en intégrant l'historique des conversations. Ce processus génère une requête complète et autonome destinée à l'interrogation de la base de connaissances.

          Embedding model

          Un modèle d'embedding convertit l'invite d'entrée initiale et le texte de la base de connaissances en vecteurs numériques, permettant au système de calculer la similarité sémantique. Le modèle par défaut Official Vector (text-embedding-v2) prend en charge plusieurs langues outre le chinois et l'anglais, et normalise les vecteurs résultants. Ce paramètre ne peut pas être modifié.

          Les dimensions des vecteurs pour sont fixes et ne peuvent pas être modifiées :

          • Official Vector (text-embedding-v2) : 1 536 dimensions
          • qwen3-vl-embedding : activé automatiquement lorsque le cas d'utilisation de compréhension visuelle est sélectionné. Il permet de générer des vecteurs pour les images et les documents enrichis après analyse visuelle.

          Reranking model

          Un modèle de reranking est externe à la base de connaissances. Il reclasse les blocs candidats issus de la recherche vectorielle initiale et renvoie les K premiers blocs présentant les scores de similarité les plus élevés. Le reranker officiel recommandé, qwen3-rerank (hybrid), prend en compte à la fois la pertinence sémantique et les caractéristiques de correspondance textuelle (telles que les scores BM25) afin de mieux gérer les requêtes nécessitant des correspondances de mots-clés précises. Si vous n'avez besoin que d'un classement sémantique, sélectionnez qwen3-rerank.

          Mode du modèle de reranking

          Lors de la création d'une base de connaissances, vous pouvez sélectionner l'un des trois modes suivants pour le modèle de reranking :

          • Mode Q&A (par défaut) : attribue des scores en fonction de la « pertinence Q&A » entre la requête et les blocs candidats. Ce mode convient aux scénarios où les utilisateurs posent une question complète et s'attendent à trouver la réponse au sein d'un bloc.
          • Mode Similarity : attribue des scores en fonction de la « similarité sémantique » entre la requête et les blocs candidats. Ce mode est adapté aux scénarios où la requête et les blocs partagent un style d'expression similaire.
          • Mode avancé personnalisé : vous permet de saisir une instruction en langage naturel (jusqu'à 200 caractères) pour influencer le processus de reranking. Ce mode convient aux scénarios présentant des exigences de classement spécifiques.

          AvertissementVous ne pouvez sélectionner un mode de modèle de reranking qu'au moment de la création d'une base de connaissances. Il est impossible de le modifier ultérieurement. Avant de configurer ce paramètre, tenez compte des limitations suivantes :

          • Limitation liée au type de base de connaissances : cette fonctionnalité s'applique uniquement aux bases de connaissances de recherche documentaire, Data Query et de recherche audio/vidéo. Elle n'est pas prise en charge pour les bases de connaissances Image Q&A.
          • Limitation liée au cas d'utilisation : cette fonctionnalité est uniquement disponible pour les cas d'utilisation Basic document Q&A et Rich-text Reply. Elle n'est pas prise en charge pour les cas d'utilisation de compréhension visuelle (documents enrichis) et Rapid Q&A.

          Similarity threshold

          Ce seuil définit le score de similarité minimal requis pour qu'un bloc soit rappelé parmi les résultats du modèle de reranking.

          RemarqueIl s'agit du seuil de similarité par défaut de la base de connaissances. Lorsque vous associez la base de connaissances à une application Alibaba Cloud Model Studio spécifique, vous pouvez définir un seuil distinct pour cette application, qui remplacera le seuil par défaut de la base de connaissances.

          L'abaissement de ce seuil permet de rappeler davantage de blocs, mais risque d'inclure du contenu moins pertinent. À l'inverse, son augmentation réduit le nombre de blocs rappelés et peut entraîner l'exclusion de blocs pertinents si le seuil est fixé trop haut.

          Vous pouvez utiliser les tests de hit pour affiner le seuil de similarité afin d'équilibrer le rappel et la précision.

          Maximum recall count

          Le système récupère les blocs liés à l'entrée depuis toutes les bases de connaissances associées, les reclasse à l'aide d'un modèle de reranking, puis sélectionne les K blocs les plus pertinents pour les ajouter au contexte d'entrée du LLM. Cette valeur K correspond au nombre maximal de rappels (jusqu'à 20) et détermine le nombre de blocs fournis par le modèle de reranking au LLM comme contexte.

          L'augmentation de cette valeur peut améliorer la précision des réponses du LLM, mais accroît également la consommation de jetons d'entrée du LLM.

          Vector storage

          Sélectionnez une base de données vectorielle pour stocker les vecteurs de texte. La base de données vectorielle Built-in suffit pour les opérations de base sur la base de connaissances. Pour des fonctionnalités avancées telles que la gestion de base de données, l'audit ou la surveillance, nous recommandons AnalyticDB for PostgreSQL (ADB-PG).

          Lors de l'achat d'une instance AnalyticDB for PostgreSQL (ADB-PG), vous devez activer Vector Engine Optimization . Sinon, Alibaba Cloud Model Studio ne pourra pas utiliser l'instance.

       Création avec compréhension visuelle

       Lorsque vous sélectionnez le cas d'utilisation visual understanding (rich-text documents), la base de connaissances utilise un modèle d'embedding multimodal pour analyser visuellement les documents et préserver les informations de mise en page d'origine, au lieu d'appliquer des méthodes de découpage traditionnelles.

       Restrictions de format de fichier

       Dans la zone de téléchargement de fichiers de l'onglet Select data, placez le curseur sur View format requirements pour consulter les exigences.

       Différences de configuration d'index

       La configuration d'index pour le cas d'utilisation de compréhension visuelle diffère de celle du cas Basic document Q&A :

       • Modèle d'embedding : le modèle qwen3-vl-embedding est automatiquement sélectionné et ne peut pas être modifié après la création.
       • Réécriture des conversations multi-tours : peut être activée ou désactivée.
       • Seuil de similarité : la valeur par défaut est 0,20.
       • Nombre maximal de rappels final : la valeur par défaut est 5.
       • Méthode de découpage : la compréhension visuelle n'utilise pas les méthodes de découpage traditionnelles telles que le découpage intelligent ou le découpage personnalisé. Elle analyse plutôt l'intégralité de la page du document via l'indexation visuelle.

       Restrictions de modification

       • Le modèle d'embedding (qwen3-vl-embedding) et le type de stockage vectoriel (built-in) ne peuvent pas être modifiés après la création.
       • Vous ne pouvez modifier l'édition de la base de connaissances qu'une seule fois par jour.
   • Data query
     • Cas d'utilisation :

       • Idéal pour construire des systèmes Q&A basés sur des données structurées (données organisées selon un schéma de table prédéfini), tels que des assistants pour interroger des FAQ, des données produits ou des informations sur le personnel.

       • Si vos données se composent de paires question-réponse complètes, sélectionnez Data Query. Par exemple, si un fichier Excel contient deux colonnes, Question et Answer, une base de connaissances Data Query peut utiliser la colonne Question pour la recherche et la colonne Answer comme contexte pour la réponse du LLM.

         Ce traitement spécifique aux colonnes n'est pas disponible dans le type de base de connaissances de recherche documentaire.

       • Vous pouvez importer plusieurs fichiers Excel, mais leurs schémas de table doivent être identiques.

     • Intégration de source de données : vous pouvez télécharger des fichiers XLS ou XLSX locaux .

       Création Data query

       1. Select data : spécifiez une source de données (fichiers ou contenu) pour la base de connaissances. Le système importe le contenu source dans la base de connaissances pour la recherche. Vous pouvez utiliser local upload ou cloud import.

          RemarqueLa source de données ne peut pas être modifiée après la création de la base de connaissances. Une seule base de connaissances prend en charge une unique source de données.

          • Local upload : téléchargez des tables de données au format XLS ou XLSX depuis votre ordinateur. La première ligne doit correspondre à l'en-tête du tableau.
          • Cloud import (select data table) : sélectionnez une table de données existante depuis un Alibaba Cloud Model Studio.

       2. Index configuration : définit le traitement et le stockage des données importées, ce qui affecte directement les performances de recherche.

          Parmi les paramètres suivants, seul le vector storage avec AnalyticDB for PostgreSQL (ADB-PG) peut engendrer des frais. Tous les autres paramètres sont gratuits.

          Retrieval and reply settings

          • Used for Retrieval : si cette option est activée, la base de connaissances effectue une recherche sur cette colonne.

          • Used for Model Reply : si cette option est activée, les résultats de recherche provenant de cette colonne sont fournis au LLM comme contexte pour la génération de la réponse. Par exemple, si vous activez Used for Retrieval pour les colonnes « Name », « Gender », « Position » et « Age », mais que vous activez Used for Model Reply uniquement pour les colonnes « Name » et « Position », la base de connaissances effectuera des recherches dans les quatre colonnes. Toutefois, seul le contenu des colonnes « Name » et « Position » des données récupérées sera fourni au LLM comme contexte pour sa réponse.

            Étant donné que la colonne « Age » n'est pas activée pour les réponses du modèle, le LLM associé à cette base de connaissances ne pourra pas répondre à la question « Quel est l'âge de Zhang San ? ».

          Multi-turn conversation rewriting

          Lorsqu'elle est activée, cette fonctionnalité utilise un modèle dédié pour reformuler la requête de l'utilisateur en intégrant l'historique des conversations. Ce processus génère une requête complète et autonome destinée à l'interrogation de la base de connaissances.

          Embedding model

          Un modèle d'embedding convertit l'invite d'entrée initiale et le texte de la base de connaissances en vecteurs numériques, permettant au système de calculer la similarité sémantique. Le modèle par défaut Official Vector (text-embedding-v2) prend en charge plusieurs langues outre le chinois et l'anglais, et normalise les vecteurs résultants. Ce paramètre ne peut pas être modifié.

          Les dimensions des vecteurs pour sont fixes et ne peuvent pas être modifiées :

          • Official Vector (text-embedding-v2) : 1 536 dimensions
          • qwen3-vl-embedding : activé automatiquement lorsque le cas d'utilisation de compréhension visuelle est sélectionné. Il permet de générer des vecteurs pour les images et les documents enrichis après analyse visuelle.

          Reranking model

          Un modèle de reranking est externe à la base de connaissances. Il reclasse les blocs candidats issus de la recherche vectorielle initiale et renvoie les K premiers blocs présentant les scores de similarité les plus élevés. Le reranker officiel recommandé, qwen3-rerank (hybrid), prend en compte à la fois la pertinence sémantique et les caractéristiques de correspondance textuelle (telles que les scores BM25) afin de mieux gérer les requêtes nécessitant des correspondances de mots-clés précises. Si vous n'avez besoin que d'un classement sémantique, sélectionnez qwen3-rerank.

          Mode du modèle de reranking

          Lors de la création d'une base de connaissances, vous pouvez sélectionner l'un des trois modes suivants pour le modèle de reranking :

          • Mode Q&A (par défaut) : attribue des scores en fonction de la « pertinence Q&A » entre la requête et les blocs candidats. Ce mode convient aux scénarios où les utilisateurs posent une question complète et s'attendent à trouver la réponse au sein d'un bloc.
          • Mode Similarity : attribue des scores en fonction de la « similarité sémantique » entre la requête et les blocs candidats. Ce mode est adapté aux scénarios où la requête et les blocs partagent un style d'expression similaire.
          • Mode avancé personnalisé : vous permet de saisir une instruction en langage naturel (jusqu'à 200 caractères) pour influencer le processus de reranking. Ce mode convient aux scénarios présentant des exigences de classement spécifiques.

          AvertissementVous ne pouvez sélectionner un mode de modèle de reranking qu'au moment de la création d'une base de connaissances. Il est impossible de le modifier ultérieurement. Avant de configurer ce paramètre, tenez compte des limitations suivantes :

          • Limitation liée au type de base de connaissances : cette fonctionnalité s'applique uniquement aux bases de connaissances de recherche documentaire, Data Query et de recherche audio/vidéo. Elle n'est pas prise en charge pour les bases de connaissances Image Q&A.
          • Limitation liée au cas d'utilisation : cette fonctionnalité est uniquement disponible pour les cas d'utilisation Basic document Q&A et Rich-text Reply. Elle n'est pas prise en charge pour les cas d'utilisation de compréhension visuelle (documents enrichis) et Rapid Q&A.

          Similarity threshold

          Ce seuil définit le score de similarité minimal requis pour qu'un bloc soit rappelé parmi les résultats du modèle de reranking.

          RemarqueIl s'agit du seuil de similarité par défaut de la base de connaissances. Lorsque vous associez la base de connaissances à une application Alibaba Cloud Model Studio spécifique, vous pouvez définir un seuil distinct pour cette application, qui remplacera le seuil par défaut de la base de connaissances.

          L'abaissement de ce seuil permet de rappeler davantage de blocs, mais risque d'inclure du contenu moins pertinent. À l'inverse, son augmentation réduit le nombre de blocs rappelés et peut entraîner l'exclusion de blocs pertinents si le seuil est fixé trop haut.

          Vous pouvez utiliser les tests de hit pour affiner le seuil de similarité afin d'équilibrer le rappel et la précision.

          Maximum recall count

          Le système récupère les blocs liés à l'entrée depuis toutes les bases de connaissances associées, les reclasse à l'aide d'un modèle de reranking, puis sélectionne les K blocs les plus pertinents pour les ajouter au contexte d'entrée du LLM. Cette valeur K correspond au nombre maximal de rappels (jusqu'à 20) et détermine le nombre de blocs fournis par le modèle de reranking au LLM comme contexte.

          L'augmentation de cette valeur peut améliorer la précision des réponses du LLM, mais accroît également la consommation de jetons d'entrée du LLM.

          Vector storage

          Sélectionnez une base de données vectorielle pour stocker les vecteurs de texte. La base de données vectorielle Built-in suffit pour les opérations de base sur la base de connaissances. Pour des fonctionnalités avancées telles que la gestion de base de données, l'audit ou la surveillance, nous recommandons AnalyticDB for PostgreSQL (ADB-PG).

          Lors de l'achat d'une instance AnalyticDB for PostgreSQL (ADB-PG), vous devez activer Vector Engine Optimization . Sinon, Alibaba Cloud Model Studio ne pourra pas utiliser l'instance.

   • Image Q&A
     • Cas d'utilisation :
       • Idéal pour créer des applications de recherche multimodales prenant en charge la recherche par image et la recherche par image plus texte, telles que des assistants de découverte de produits ou des assistants de questions-réponses visuels.

     • Intégration de source de données : vous pouvez télécharger des fichiers XLS ou XLSX locaux .

       Les fichiers XLS et XLSX doivent contenir des URL d'images publiquement accessibles pour générer les index d'images. Pour plus de détails, consultez les instructions de création ci-dessous.

       Création Image Q&A

       1. Select data : spécifiez une source de données (fichiers ou contenu) à importer dans la base de connaissances pour la recherche. Vous pouvez utiliser local upload ou cloud import (sélectionner une table de données existante depuis un connecteur de données).

          RemarqueLa source de données ne peut pas être modifiée après la création et une seule base de connaissances prend en charge une unique source de données.

          • Local upload : téléchargez directement des tables de données au format XLS ou XLSX depuis votre ordinateur.

            Remarque

            • Exigence de champ : la table de données doit contenir au moins un champ de type image_url pour générer l'index d'image.
            • Processus de construction : la base de connaissances accède à l'URL de l'image dans le champ image_url, extrait les caractéristiques visuelles et les convertit en vecteurs pour le stockage.
            • Processus de recherche : la base de connaissances compare le vecteur généré à partir de l'image téléchargée par l'utilisateur avec les vecteurs d'images stockés et renvoie les enregistrements les plus pertinents.

          • Cloud import (select a data table) : sélectionnez une table de données existante parmi les données de votre application dans Alibaba Cloud Model Studio.

       2. Index configuration : définit le traitement et le stockage des données importées, ce qui affecte directement les performances de recherche.

          Parmi les paramètres suivants, seul le vector storage avec AnalyticDB for PostgreSQL (ADB-PG) peut engendrer des frais. Tous les autres paramètres sont gratuits.

          Paramètres de récupération et de réponse

          • Used for Retrieval : si cette option est activée, la base de connaissances effectue une récupération sur cette colonne.

          • Used for Model Reply : si cette option est activée, les résultats de récupération issus de cette colonne sont fournis au LLM comme contexte pour la génération de la réponse. Par exemple, si vous activez Used for Retrieval pour les colonnes « Name », « Gender », « Position » et « Age », mais que vous n'activez Used for Model Reply que pour les colonnes « Name » et « Position », la base de connaissances effectuera une récupération sur les quatre colonnes. Toutefois, seul le contenu des colonnes « Name » et « Position » des données récupérées sera transmis au LLM comme contexte pour sa réponse.

            Étant donné que la colonne « Age » n'est pas activée pour les réponses du modèle, le LLM associé à cette base de connaissances ne pourra pas répondre à la question « What is Zhang San's age? ».

          Réécriture des conversations multi-tours

          Lorsqu'elle est activée, cette fonctionnalité utilise un modèle dédié pour réécrire la requête de l'utilisateur en intégrant l'historique de la conversation. Ce processus génère une requête complète et autonome destinée à la récupération dans la base de connaissances.

          Modèle d'embedding

          Un modèle d'embedding convertit les invites d'entrée originales, les textes de connaissances et les images en vecteurs numériques afin de permettre des comparaisons de similarité. Pour plus d'informations, consultez la rubrique Vectorisation de texte et multimodale.

          • qwen2,5-vl-embedding : représente les entrées unimodales ou multimodales mixtes sous la forme d'un vecteur unique, ce qui convient à la récupération cross-modale et à la recherche d'images. Par exemple, si vous saisissez une image d'une chemise accompagnée du texte « find a similar style that looks younger », le modèle peut fusionner l'image et les instructions textuelles en un seul vecteur pour l'analyse.
          • multimodal-embedding-v1 : génère des vecteurs distincts pour chaque partie de l'entrée (image et texte).
          • qwen3-vl-embedding : version améliorée de qwen2,5-vl-embedding qui optimise davantage la compréhension de la fusion image-texte et la précision de la récupération cross-modale.

          Modèle de reranking

          Un modèle de reranking est externe à la base de connaissances. Il reclasse les blocs candidats issus de la récupération vectorielle initiale et renvoie les K premiers blocs présentant les scores de similarité les plus élevés. Le reranker officiel recommandé, qwen3-rerank (hybrid), prend en compte à la fois la pertinence sémantique et les caractéristiques de correspondance textuelle (telles que les scores BM25) afin de mieux gérer les requêtes nécessitant des correspondances de mots-clés précises. Si vous avez uniquement besoin d'un classement sémantique, sélectionnez qwen3-rerank.

          Mode du modèle de reranking

          Lors de la création d'une base de connaissances, vous pouvez sélectionner l'un des trois modes suivants pour le modèle de reranking :

          • Mode Q&A (par défaut) : attribue des scores en fonction de la « pertinence Q&A » entre la requête et les blocs candidats. Ce mode convient aux scénarios où les utilisateurs posent une question complète et s'attendent à trouver la réponse au sein d'un bloc.
          • Mode Similarity : attribue des scores en fonction de la « similarité sémantique » entre la requête et les blocs candidats. Ce mode est adapté aux scénarios où la requête et les blocs partagent un style d'expression similaire.
          • Mode avancé personnalisé : vous permet de saisir une instruction en langage naturel (jusqu'à 200 caractères) pour influencer le processus de reranking. Ce mode convient aux scénarios présentant des exigences de classement spécifiques.

          AvertissementVous pouvez sélectionner un mode de modèle de reranking uniquement lors de la création d'une base de connaissances. Il est impossible de le modifier après la création. Avant de configurer ce paramètre, tenez compte des limitations suivantes :

          • Limitation liée au type de base de connaissances : cette fonctionnalité s'applique uniquement aux bases de connaissances de recherche documentaire, de Data Query et de recherche audio/vidéo. Elle n'est pas prise en charge pour les bases de connaissances Image Q&A.
          • Limitation liée au cas d'utilisation : cette fonctionnalité est prise en charge uniquement pour les cas d'utilisation Basic document Q&A et Rich-text Reply. Elle n'est pas prise en charge pour les cas d'utilisation visual understanding (rich-text documents) et Rapid Q&A.

          Seuil de similarité

          Ce seuil définit le score de similarité minimal requis pour qu'un bloc soit rappelé parmi les résultats du modèle de reranking.

          RemarqueIl s'agit du seuil de similarité par défaut de la base de connaissances. Lorsque vous associez la base de connaissances à une application Alibaba Cloud Model Studio spécifique, vous pouvez définir un seuil distinct pour cette application, qui remplacera le seuil par défaut de la base de connaissances.

          L'abaissement de ce seuil permet de rappeler davantage de blocs, mais risque d'inclure du contenu moins pertinent. À l'inverse, son augmentation réduit le nombre de blocs rappelés et peut entraîner l'élimination de blocs pertinents si le seuil est fixé trop haut.

          Vous pouvez utiliser les tests de hit pour affiner le seuil de similarité afin d'équilibrer le rappel et la précision.

          Nombre maximal de rappels

          Le système récupère les blocs liés à l'entrée depuis toutes les bases de connaissances associées, les reclasse à l'aide d'un modèle de reranking, puis sélectionne les K blocs les plus pertinents pour les ajouter au contexte d'entrée du LLM. Cette valeur K correspond au nombre maximal de rappels (jusqu'à 20) et détermine le nombre de blocs que le modèle de reranking fournit au LLM comme contexte.

          L'augmentation de cette valeur peut améliorer la précision des réponses du LLM, mais accroît également la consommation de tokens d'entrée du LLM.

          Stockage vectoriel

          Sélectionnez une base de données vectorielle pour stocker les vecteurs de texte. La base de données vectorielle Built-in suffit pour les opérations de base sur la base de connaissances. Pour des fonctionnalités avancées telles que la gestion de base de données, l'audit ou la surveillance, nous recommandons AnalyticDB for PostgreSQL (ADB-PG).

          Lors de l'achat d'une instance AnalyticDB for PostgreSQL (ADB-PG), vous devez activer Vector Engine Optimization . Sans cela, Alibaba Cloud Model Studio ne pourra pas utiliser l'instance.

   Vous pouvez sélectionner un cas d'utilisation en fonction de vos besoins, tels que Basic document Q&A, Rich-text Reply.

Pendant les heures de pointe, la création d'une base de connaissances peut prendre plusieurs heures, selon le volume de données.

Mettre à jour une base de connaissances

Les modifications apportées à une base de connaissances sont synchronisées en temps réel avec toutes les applications qui y font référence.

Modifier une base de connaissances

Après avoir créé une base de connaissances, vous ne pouvez modifier que son nom de la base de connaissances, sa description de la base de connaissances et son seuil de similarité. Pour modifier tout autre paramètre, vous devez supprimer et recréer la base de connaissances. Cette opération est disponible uniquement dans la console et ne dispose pas d'API correspondante.

Procédure : Sur la page Knowledge Base, localisez la base de connaissances cible, cliquez sur l'icône sur sa carte, puis cliquez sur Edit. Remarque : Vous ne pouvez modifier la configuration d'une base de connaissances qu'une seule fois par jour civil. Les tentatives suivantes seront rejetées silencieusement.

Supprimer une base de connaissances

Avant de supprimer une base de connaissances, nous vous recommandons de la dissocier de toutes les applications Model Studio publiées.

Vous pouvez toujours supprimer une base de connaissances associée à des applications non publiées.

Modifier la configuration

L'édition Enterprise utilise des unités RCU pour garantir des performances de récupération élevées à fort débit QPS et prend en charge une capacité de stockage plus importante. L'édition Standard convient aux scénarios de développement, de test ou à faible concurrence.

RCU : Une unité de calcul de récupération (RCU) est une mesure de la concurrence de récupération pour une base de connaissances. 1 RCU prend en charge jusqu'à environ 50 QPS pour la récupération en ligne. Un nombre d'unités RCU plus élevé prend en charge une concurrence plus importante.

• Remarque :

  • Si une base de connaissances de l'édition Enterprise utilise le stockage de la plateforme, vous devez réduire l'espace de stockage utilisé à moins de 80 Go avant de pouvoir la rétrograder vers l'édition Standard.

    Vous pouvez libérer de l'espace de stockage en supprimant des fichiers ou des données de la base de connaissances.

• Procédure :

  1. Sur la page Knowledge Base, localisez la base de connaissances à reconfigurer. Cliquez sur l'icône sur sa carte, puis cliquez sur Edit.

  2. Dans la boîte de dialogue, sélectionnez une action en fonction de l'édition actuelle :

     • Édition Standard : Sélectionnez Upgrade.
     • Édition Enterprise : Sélectionnez Downgrade ou Change RCU Count.

  3. Suivez les instructions à l'écran pour terminer le processus. La nouvelle configuration prend effet immédiatement après avoir cliqué sur OK.

Test de pertinence

Utilisez le test de pertinence pour vérifier que votre base de connaissances fournit un contexte précis à votre application IA. Ce processus implique de simuler des requêtes utilisateur, d'évaluer les résultats de récupération et d'affiner le seuil de similarité.

Le modèle de reclassement dans le test de pertinence prend en charge trois modes : mode Q&A (par défaut), conçu pour les requêtes qui ne correspondent pas parfaitement au contenu du document ; mode similarité, idéal pour les requêtes très similaires au contenu du document ; et mode avancé personnalisé. Les scores de classement pour la même requête peuvent varier considérablement selon le mode sélectionné. Par exemple, le même segment de texte peut obtenir un score de 47 % en mode Q&A, mais jusqu'à 69 % en mode similarité.

Avec le test de pertinence, vous pouvez :

• Vérifier que la base de connaissances fournit un contexte efficace à votre application IA
• Affiner le seuil de similarité pour équilibrer le taux de rappel et la précision
• Identifier les lacunes de contenu ou les problèmes de qualité dans votre base de connaissances

Cas d'utilisation

• Scénario 1 : Interrogation des prix des produits

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

• Scénario 2 : Dépannage d'un problème technique

  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.
  

• Scénario 3 : Récupération avec compréhension visuelle

  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.
  

• Scénario 4 : Q&A express

  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.
  

Procédure

1. Sur la page base de connaissances, cliquez sur Hit Test sur la carte de la base de connaissances cible.

2. Dans l'interface de test, saisissez une question — idéalement une question courante de vos utilisateurs — et examinez les résultats de récupération.

   • Résultats de récupération : Cette section affiche les résultats de récupération du test actuel, triés par similarité décroissante. Cliquez sur n'importe quel segment de texte pour afficher son contenu.
   • Icône : Pour une base de connaissances Q&A d'images, le système convertit d'abord l'image d'entrée en vecteur et récupère les segments pertinents. Il envoie ensuite ces segments ainsi que la question à un LLM pour générer une réponse. Pour les bases de connaissances de recherche documentaire, de requête de données , le système n'utilise pas l'image téléchargée pour la récupération. Toutefois, une base de connaissances de recherche documentaire configurée pour la « compréhension visuelle » utilise bien l'image pour la récupération, prenant en charge les modes de requête texte seul, image seule et image+texte. Cette requête combinée peut améliorer la pertinence de la récupération.

3. Vérifiez que les segments de texte pertinents sont récupérés. Sinon, ajustez le seuil de similarité et répétez l'étape précédente.

4. Cliquez sur View Recall History pour comparer les performances de récupération selon différents paramètres de seuil.