Basis pengetahuan - Alibaba Cloud Model Studio - Alibaba Cloud Documentation Center

Basis pengetahuan melengkapi model bahasa besar (LLM) dengan data privat dan informasi terkini. Dengan menggunakan Generasi yang Diperkaya dengan Pengambilan Data (Retrieval-Augmented Generation/RAG), LLM meningkatkan akurasi jawaban dengan terlebih dahulu mengambil konten relevan dari basis pengetahuan sebelum menghasilkan respons.

Penting

Fitur basis pengetahuan hanya tersedia di wilayah China (Beijing), tidak tersedia di wilayah lain seperti Singapura dan Jerman (Frankfurt).

Penting

Batasan akses Konsol: Hanya pengguna yang membuat aplikasi Alibaba Cloud Model Studio di wilayah Singapura sebelum 21 April 2025 yang dapat mengakses tab Application Development.

Tab ini berisi fitur-fitur berikut: Applications (aplikasi agen dan aplikasi alur kerja), Components (rekayasa prompt dan plug-in), dan Data (basis pengetahuan dan data aplikasi). Semua fitur ini merupakan fitur pratinjau. Gunakan dengan hati-hati di lingkungan produksi.
Batasan pemanggilan API: Hanya pengguna yang membuat aplikasi Alibaba Cloud Model Studio di wilayah Singapura sebelum 21 April 2025 yang dapat memanggil API data aplikasi, basis pengetahuan, dan rekayasa prompt.

Aplikasi tanpa basis pengetahuan khusus

Tanpa basis pengetahuan khusus, LLM tidak dapat menjawab pertanyaan spesifik domain secara akurat.

Sebagai contoh, ketika pengguna mengirim "Tolong bantu saya memilih ponsel kamera terbaik dari Alibaba Cloud Model Studio dengan anggaran 3.000 yuan" di antarmuka chat, asisten AI tidak dapat memberikan rekomendasi produk yang akurat karena tidak adanya basis pengetahuan yang relevan.

Aplikasi dengan basis pengetahuan khusus

Dengan basis pengetahuan khusus, LLM dapat menjawab pertanyaan spesifik domain secara akurat.

Model yang didukung

Model-model berikut dapat digunakan dengan basis pengetahuan. Konfigurasikan Qwen untuk menggunakan basis pengetahuan

Qwen-Max/Plus/Turbo
QwenVL-Max/Plus
Versi open-source Qwen (misalnya, Qwen2.5)

Untuk daftar model yang tersedia terbaru, lihat halaman Manajemen Aplikasi saat membuat aplikasi.

Panduan cepat

Panduan cepat ini menunjukkan cara membangun aplikasi Tanya Jawab LLM tanpa kode untuk menjawab pertanyaan spesifik domain, menggunakan "ponsel seri Alibaba Cloud Model Studio" sebagai contoh.

1. Bangun basis pengetahuan

Buka halaman Basis Pengetahuan dan klik Create Knowledge Base. Masukkan Name dan Description, biarkan pengaturan lainnya pada nilai default, lalu klik Next Step.
Pilih Kategori Default dan unggah file Alibaba Cloud Model Studio Phone Series Product Introduction.docx. Klik Next Step, lalu klik Complete.

2. Integrasi dengan aplikasi bisnis

Setelah membuat basis pengetahuan, Anda dapat mengaitkannya dengan aplikasi Alibaba Cloud Model Studio atau aplikasi eksternal dalam ruang kerja yang sama untuk memproses permintaan pengambilan data.

Aplikasi agen

Buka halaman Pusat Aplikasi, temukan aplikasi agen Anda, klik Configure pada kartunya, lalu pilih model untuk aplikasi tersebut.

Klik ikon + di samping Document Knowledge Base untuk menambahkan basis pengetahuan yang baru saja Anda buat. Anda dapat mempertahankan nilai default untuk ambang batas kemiripan dan bobot.

(Opsional) Ambang batas kemiripan: Filter hasil pengambilan data

Basis pengetahuan menggunakan pencarian semantik untuk menemukan teks yang relevan secara konseptual dalam data atau file privat Anda, bahkan tanpa kecocokan kata kunci.

Sebagai contoh, pengguna mengirim kueri berikut: Ponsel Alibaba Cloud mana yang terbaik untuk fotografi?

Jawaban sebenarnya (misalnya, "Qwen Vivid 7...") tidak mengandung kata kunci apa pun dari kueri tersebut.

Dalam tabel di bawah ini, kemiripan kata kunci dihitung menggunakan indeks Jaccard, dan kemiripan semantik adalah kemiripan kosinus yang dihitung oleh model text-embedding-v4.

Teks yang diambil	Kemiripan kata kunci	Kemiripan semantik
Qwen Vivid 7: Pengalaman baru dalam fotografi cerdas	0	0,43
Alibaba Cloud Model Studio Ace Ultra: Pilihan bagi para gamer	0,17	0,32
Alibaba Cloud Model Studio Flex Fold+: Era baru layar lipat	0,25	0,24

Ambang batas kemiripan: Hanya teks dengan skor kemiripan semantik lebih tinggi dari nilai ini yang diambil. Mengatur ambang batas terlalu tinggi dapat menyebabkan teks relevan terfilter keluar.

(Opsional) Bobot: Pengaruh urutan pengambilan dari beberapa basis pengetahuan

Ketika aplikasi agen dikaitkan dengan beberapa basis pengetahuan, Anda dapat memberikan bobot pada masing-masing berdasarkan pentingnya sumber informasi. Selama pengambilan data multi-sumber, jika chunk dari basis pengetahuan berbeda memiliki skor kemiripan yang sama, sistem memprioritaskan chunk dari basis pengetahuan dengan bobot lebih tinggi.

Batasan utama: Bobot hanya berlaku antar basis pengetahuan dengan tipe yang sama. Misalnya, bobot basis pengetahuan pencarian dokumen tidak memengaruhi urutan pengambilan basis pengetahuan kueri data, dan sebaliknya.
Cara kerja: Sistem pertama-tama menghitung relevansi kueri pengguna terhadap konten di setiap basis pengetahuan untuk mengidentifikasi chunk paling relevan. Kemudian, sistem mengalikan skor kemiripan setiap chunk dengan bobot basis pengetahuan yang sesuai. Setelah penyusunan ulang berdasarkan skor berbobot ini, hasilnya diberikan kepada LLM sebagai konteks, memastikan chunk dengan skor berbobot lebih tinggi diprioritaskan dalam jawaban akhir.

Di kotak input di sebelah kanan, masukkan pertanyaan. LLM kemudian menggunakan basis pengetahuan untuk menghasilkan jawaban.

Contohnya: "Bantu saya memilih ponsel Alibaba Cloud Model Studio dengan kamera terbaik di bawah 3.000 CNY."

Aplikasi alur kerja

Buka halaman Pusat Aplikasi, temukan aplikasi alur kerja Anda, lalu klik Konfigurasi pada kartunya. Seret node Basis Pengetahuan ke kanvas dan hubungkan setelah node Start.
Konfigurasikan node Basis Pengetahuan:
1. Input: Dari daftar drop-down Value di sebelah kanan variabel content, pilih Built-in Variable. Daftar drop-down memiliki struktur pohon; Anda mungkin perlu membuka grup "Built-in Variable" untuk memilih variabel query.
2. Pilih Basis Pengetahuan: Anda dapat memilih basis pengetahuan untuk node dengan dua cara.
  - Pilih basis pengetahuan tetap: Pilih basis pengetahuan yang Anda buat pada langkah sebelumnya dari menu drop-down. Gunakan metode ini ketika basis pengetahuan yang sama diperlukan untuk setiap panggilan.
  - Pemilihan Dinamis: Konfigurasikan variabel CodeList untuk secara dinamis menentukan basis pengetahuan berdasarkan output dari node hulu. Ini cocok untuk skenario di mana Anda perlu mengambil basis pengetahuan berbeda berdasarkan input berbeda.
3. Atur TopK (Opsional): Pengaturan ini menentukan jumlah chunk yang dikembalikan ke node hilir, yang biasanya merupakan node LLM.
  
  Meningkatkan nilai ini biasanya meningkatkan akurasi jawaban LLM tetapi juga meningkatkan konsumsi token input LLM.
Seret node LLM ke kanvas dan hubungkan setelah node Basis Pengetahuan serta sebelum node End.
Konfigurasikan node LLM:
1. Dari daftar Model configuration, pilih model untuk node tersebut.
2. Di Prompt, masukkan prompt yang menginstruksikan LLM untuk menggunakan basis pengetahuan. Masukkan "/" untuk menyisipkan variabel result (yang merepresentasikan hasil yang dikembalikan dari pengambilan data basis pengetahuan).
  
  Sebagai contoh, masukkan judul prompt # Basis Pengetahuan, dan isi badannya sebagai Harap ingat materi berikut {Basis Pengetahuan 1/result}, materi ini mungkin membantu menjawab pertanyaan.
Konfigurasikan node End: Masukkan / dan pilih untuk mengeluarkan hasil dari LLM.
Klik Test di pojok kanan atas halaman. Di kotak input di sebelah kanan, masukkan pertanyaan. LLM akan menggunakan basis pengetahuan untuk menghasilkan jawaban.

Contohnya: "Bantu saya memilih ponsel Alibaba Cloud Model Studio dengan kamera terbaik di bawah 3.000 CNY."

Aplikasi eksternal

Selain membangun aplikasi dalam Alibaba Cloud Model Studio, Anda dapat menggunakan SDK Model Studio untuk mengambil data dari basis pengetahuan untuk aplikasi AI eksternal.

Untuk langkah integrasi detail, lihat Panduan API Basis Pengetahuan.

3. Optimalkan kinerja RAG (Opsional)

Jika Anda menerima hasil yang tidak lengkap atau tidak akurat dari proses Tanya Jawab, lihat Optimasi kinerja RAG.

Panduan

Di halaman basis pengetahuan, Anda dapat melihat dan mengelola semua basis pengetahuan di ruang kerja saat ini.

ID basis pengetahuan: ID setiap basis pengetahuan, digunakan untuk pemanggilan API.

Buat basis pengetahuan

Setelah Anda mengklik Create Knowledge Base, buat basis pengetahuan dalam tiga langkah: berikan informasi dasar dan pilih tipe basis pengetahuan, konfigurasikan sumber data, dan atur parameter indeks.

Di halaman basis pengetahuan, klik Create Knowledge Base.
Informasi dasar

Pilih Knowledge Base Type berdasarkan kasus penggunaan Anda. Satu basis pengetahuan hanya mendukung satu tipe. Jika Anda memilih tipe pencarian dokumen, Anda juga harus memilih kasus penggunaan: Tanya Jawab Dokumen Dasar, Balasan Teks Kaya.
- Tanya Jawab Dokumen Dasar: Ideal untuk pencarian semantik pada dokumen teks biasa.
- Balasan Teks Kaya: Ideal untuk kasus penggunaan yang memerlukan respons berisi teks dan gambar.
Tipe basis pengetahuan tidak dapat diubah setelah basis pengetahuan dibuat.
- Pencarian dokumen
  - Kasus penggunaan:
    - Ideal untuk mengambil informasi dari data tidak terstruktur, seperti dokumen internal perusahaan dan manual produk. Data tidak terstruktur adalah informasi yang tidak diorganisir dalam model atau skema data yang telah ditentukan dan dapat mencakup teks, tabel, dan gambar.
    - Jika file Anda berisi gambar yang ingin disertakan aplikasi dalam responsnya, pilih pencarian dokumen.
  - Sumber data: Anda dapat mengunggah file lokal atau mengimpornya dari Object Storage Service (OSS).
    Pembuatan pencarian dokumen
    Pilih data: Tentukan sumber data (file atau konten) untuk basis pengetahuan. Sistem mengimpor konten sumber ke basis pengetahuan untuk pengambilan data. Anda dapat menggunakan unggah lokal atau impor cloud (dengan memilih kategori atau file yang ada).
    
    Unggah lokal: Unggah file langsung dari komputer Anda. Buka panel yang dapat dilipat di bawah untuk mempelajari cara memilih metode penguraian.
    
    Metode penguraian
    
    Konfigurasikan strategi penguraian berdasarkan kebutuhan Anda. Jika Anda tidak yakin opsi mana yang harus dipilih, kami sarankan menggunakan pengaturan default.
    
    Digital Parsing: Tidak mengurai ilustrasi atau grafik dalam file. Ini adalah metode penguraian tercepat. Dokumen teks biasa 10–20 halaman biasanya diurai dalam beberapa detik hingga 1 menit.
    
    Penguraian Dokumen Cerdas: Mengenali dan mengekstraksi teks dari ilustrasi dalam file Anda untuk menghasilkan ringkasan teks. Ringkasan ini, bersama dengan konten non-gambar lainnya, kemudian dipecah menjadi chunk dan divectorisasi untuk pengambilan data. Metode ini relatif cepat. Dokumen 10–20 halaman dengan ilustrasi biasanya membutuhkan waktu 1–5 menit untuk diurai.
    
    Penguraian LLM: Memungkinkan aplikasi yang menggunakan model Qwen-VL menjawab pertanyaan tentang konten ilustrasi dan grafik dalam file Anda. Untuk mengaktifkan pengenalan dan pemahaman konten ini, pilih LLM Parsing. Karena metode ini memanggil LLM untuk pemahaman mendalam, dokumen 10–20 halaman dengan grafik biasanya membutuhkan waktu 2–10 menit untuk diurai.
    
    Penguraian Qwen-VL: Dirancang khusus untuk file gambar. Anda dapat menentukan model Qwen-VL dan memberikan prompt untuk memandu pengenalan dan ekstraksi tata letak dan elemen gambar. Satu gambar biasanya diurai dalam beberapa detik hingga 1 menit.
    
    Impor cloud: Impor file yang ada dari Object Storage Service (OSS).
    
    Konfigurasi indeks: Menentukan bagaimana data yang diimpor diproses dan disimpan, yang secara langsung memengaruhi kinerja pengambilan data.
    
    Di antara pengaturan berikut, hanya penyimpanan vektor dengan AnalyticDB for PostgreSQL (ADB-PG) yang mungkin dikenai biaya. Semua pengaturan lainnya gratis.
    
    Ekstraksi metadata
    
    Metadata terdiri dari atribut tambahan untuk data tidak terstruktur, yang diintegrasikan ke dalam chunk sebagai pasangan kunci-nilai.
    
    Tujuan: Metadata memberikan konteks penting untuk chunk dan dapat secara signifikan meningkatkan akurasi pengambilan data basis pengetahuan. Sebagai contoh, pertimbangkan basis pengetahuan yang berisi ribuan file pengenalan produk di mana nama file adalah nama produk. Ketika pengguna mencari "gambaran fungsi Produk A," jika isi setiap file berisi "gambaran fungsi" tetapi tidak ada yang menyebut "Produk A," basis pengetahuan mungkin mengambil banyak chunk yang tidak relevan. Namun, jika Anda menambahkan nama produk sebagai metadata ke semua chunk, basis pengetahuan dapat secara akurat memfilter chunk yang terkait dengan "Produk A" dan juga berisi "gambaran fungsi." Hal ini meningkatkan akurasi pengambilan data dan mengurangi konsumsi token input LLM.
    
    Penggunaan: Saat Anda memanggil aplikasi menggunakan API, Anda dapat menentukan metadata dalam parameter permintaan metadata_filter. Saat aplikasi mengambil informasi dari basis pengetahuan, aplikasi pertama-tama memfilter file yang relevan berdasarkan metadata yang ditentukan.
    
    Catatan: Anda tidak dapat mengonfigurasi ekstraksi metadata setelah basis pengetahuan dibuat.
    
    Konfigurasi metadata
    
    Aktifkan Ekstraksi metadata, lalu klik Settings untuk melampirkan metadata seragam atau personal ke semua file dalam basis pengetahuan. Selama pemecahan chunk, metadata untuk setiap file diintegrasikan ke dalam chunk-nya masing-masing.
    
    Templat metadata baru
    
    Metode ekstraksi nilai
    
    Konstan: Melampirkan atribut tetap ke semua file dalam basis pengetahuan.
    
    Seperti pada contoh sebelumnya, jika semua file dalam basis pengetahuan memiliki penulis yang sama, Anda dapat mengatur konstan untuk bidang bernama author.
    
    Variabel: Melampirkan atribut variabel ke setiap file dalam basis pengetahuan. Atribut yang didukung saat ini adalah file_name dan cat_name. Jika Anda memilih file_name, Alibaba Cloud Model Studio melampirkan nama file ke metadatanya, seperti pada contoh sebelumnya. Jika Anda memilih cat_name, Alibaba Cloud Model Studio melampirkan nama kategori yang berisi file ke metadata file tersebut.
    
    LLM: Sistem mencocokkan konten file dengan aturan Deskripsi Entitas yang dikonfigurasi, mengekstraksi informasi yang relevan, dan melampirkannya sebagai atribut metadata.
    
    Seperti pada templat metadata pada contoh sebelumnya, untuk mengekstraksi semua tahun yang muncul di setiap file sebagai atribut file, Anda dapat mengonfigurasi bidang LLM bernama date. Deskripsi entitas dikonfigurasi sebagai berikut:
    
    Di kotak input Deskripsi Entitas, masukkan informasi tanggal, ekstrak hanya tahunnya, lalu klik OK.
    
    RegEx: Sistem mencocokkan konten teks setiap file dalam basis pengetahuan dengan ekspresi reguler yang ditentukan. Konten yang cocok dengan ekspresi diekstraksi dan ditambahkan sebagai atribut ke metadata file.
    
    Seperti pada templat meta informasi pada contoh di atas, jika Anda perlu mengekstraksi semua referensi yang muncul di setiap file (dengan asumsi referensi adalah teks apa pun yang dimulai dengan '《' dan diakhiri dengan '》'), Anda dapat mengonfigurasi bidang ekspresi reguler bernama reference. Ekspresi reguler dikonfigurasi sebagai berikut:
    
    Atur nilai ekspresi reguler ke 《.*?》.
    
    Pencarian kata kunci: Sistem mencari setiap file untuk kata kunci yang telah ditentukan dan menambahkan kata kunci yang cocok sebagai atribut ke metadata file.
    
    Sebagai contoh, dalam templat metadata pada contoh sebelumnya, kata kunci yang telah ditentukan adalah:
    
    Karena file hanya berisi kata kunci "financing," "industry," "green," dan "capital," sistem hanya mengekstraksi keempat kata kunci ini sebagai nilai untuk atribut keywords file tersebut.
    
    Digunakan untuk Pengambilan Data: Jika diaktifkan, bidang dan nilai metadata digunakan untuk pengambilan data basis pengetahuan bersama konten chunk. Jika dinonaktifkan, hanya konten chunk yang digunakan untuk pengambilan data.
    
    Digunakan untuk Balasan Model: Jika diaktifkan, bidang dan nilai metadata diberikan kepada LLM sebagai input untuk pembuatan respons bersama konten chunk. Jika dinonaktifkan, hanya konten chunk yang diberikan kepada LLM untuk pembuatan respons.
    
    Rakit header Excel
    
    Saat diaktifkan, basis pengetahuan memperlakukan baris pertama semua file XLSX dan XLS sebagai header dan secara otomatis menambahkannya ke setiap chunk (baris data). Hal ini mencegah LLM salah mengartikan header sebagai baris data biasa.
    
    Lingkup: Pengaturan ini hanya berlaku untuk file tabel XLSX dan XLS dalam basis pengetahuan, dan memperlakukan baris pertama setiap file sebagai header. Tidak berlaku untuk format non-tabel seperti PDF, Word, atau Markdown. Pengaturan ini berlaku saat basis pengetahuan dibuat (selama pemecahan dokumen menjadi chunk) dan, seperti strategi pemecahan chunk, tidak dapat diubah setelah basis pengetahuan dibuat.
    
    Logika pemrosesan: Basis pengetahuan memecah file tabel berdasarkan baris data: setiap baris selain baris pertama (header) menjadi chunk terpisah. Saat pengaturan ini diaktifkan, baris header secara otomatis ditambahkan ke setiap chunk baris data, sehingga setiap chunk membawa nama kolom (header) dan data baris. Hal ini memungkinkan LLM menginterpretasikan setiap bidang dengan benar berdasarkan nama kolomnya, dan baris header tidak lagi diproses sebagai baris data biasa, yang menghindari kebingungan semantik selama pengambilan data dan Tanya Jawab.
    
    Anda tidak perlu mengaktifkan pengaturan ini jika basis pengetahuan berisi file dalam format lain, seperti PDF, atau jika file tabel tidak berisi baris header.
    
    Metode chunking
    
    Pilih pemecahan chunk cerdas (direkomendasikan).
    
    Tujuan: Basis pengetahuan memecah file menjadi chunk dan mengonversinya menjadi vektor menggunakan model penyematan. Chunk dan vektor tersebut kemudian disimpan sebagai pasangan kunci-nilai dalam database vektor. Setelah basis pengetahuan dibuat, Anda dapat melihat atau mengedit konten spesifik (teks dan gambar) setiap chunk.
    
    Judul chunk: Selain konten tubuhnya, setiap chunk membawa judul yang ditampilkan dalam daftar chunk, digunakan untuk mengidentifikasi chunk, dan disertakan dalam pengambilan data. Basis pengetahuan menghasilkan judul chunk secara otomatis selama penguraian dokumen cerdas, berdasarkan hirarki heading yang terdeteksi. Judul chunk memiliki dua bentuk: judul pendek (title, heading terdekat tempat chunk tersebut berada) dan judul hirarkis (hier_title, jalur lengkap dari heading tingkat atas hingga heading saat ini, dengan level yang digabungkan oleh |>, misalnya Heading 1|>Heading 2). Oleh karena itu, semakin jelas struktur heading dokumen (seperti file PDF, Word, atau Markdown dengan heading bagian yang terbentuk dengan baik), semakin lengkap judul chunk yang dihasilkan; untuk file berbasis tabel yang dipecah berdasarkan baris data dan biasanya tidak memiliki hirarki heading tekstual (seperti Excel), judul chunk bergantung pada apakah hirarki heading terdeteksi selama penguraian, dan mungkin kosong jika tidak terdeteksi. Anda juga dapat mengedit judul chunk secara manual dalam manajemen chunk.
    
    Catatan: Setelah basis pengetahuan dibuat, Anda tidak dapat mengubah pengaturan pemecahan dokumen menjadi chunk. Strategi pemecahan chunk yang tidak tepat dapat mengurangi kinerja pengambilan data dan recall.
    
    Penulisan ulang percakapan multi-putaran
    
    Saat diaktifkan, fitur ini menggunakan model khusus untuk menulis ulang kueri pengguna dengan memasukkan riwayat percakapan. Proses ini menciptakan kueri lengkap dan mandiri untuk pengambilan data basis pengetahuan.
    graph TD; A[Query] --> C{Rewrite Model}; B[History] --> C; C --> D[Rewritten Query]; D --> E[KB Retrieval]
    
    Model penyematan
    
    Model penyematan mengonversi prompt input asli dan teks pengetahuan menjadi vektor numerik sehingga sistem dapat menghitung kemiripan semantik. Model default Vektor Resmi (text-embedding-v2) mendukung beberapa bahasa selain Tionghoa dan Inggris serta menormalisasi vektor yang dihasilkan. Pengaturan ini tidak dapat diubah.
    
    Dimensi vektor untuk bersifat tetap dan tidak dapat dimodifikasi:
    
    Vektor Resmi (text-embedding-v2): 1.536 dimensi
    
    qwen3-vl-embedding: Diaktifkan secara otomatis saat kasus penggunaan pemahaman visual dipilih. Mendukung pembuatan vektor untuk gambar dan dokumen teks kaya setelah pemahaman visual.
    
    graph TD; subgraph Input; A[Prompt] --> C{Embedding Model} --> D[Prompt Vector]; end; subgraph Knowledge Base; B[Knowledge] --> C --> E[Knowledge Vector]; end; D --> F((Similarity)); E --> F
    
    Model penyusunan ulang
    
    Model penyusunan ulang berada di luar basis pengetahuan. Model ini menyusun ulang chunk kandidat dari pengambilan vektor awal dan mengembalikan K chunk teratas dengan skor kemiripan tertinggi. Penyusun ulang resmi yang direkomendasikan, qwen3-rerank (hibrida), mempertimbangkan relevansi semantik dan fitur pencocokan teks (seperti skor BM25) untuk menangani kueri yang memerlukan pencocokan kata kunci tepat. Jika Anda hanya memerlukan peringkat semantik, pilih qwen3-rerank.
    graph TD; A[Vector Retrieval] --> B{Candidates}; B --> C[Reranker]; C --> D[Top K Results]
    Mode model pemeringkatan ulang
    
    Saat Anda membuat basis pengetahuan, Anda dapat memilih salah satu dari tiga mode berikut untuk model penyusunan ulang:
    
    Mode Tanya Jawab (default): Memberi skor berdasarkan "relevansi Tanya Jawab" antara kueri dan chunk kandidat. Mode ini cocok untuk skenario di mana pengguna mengajukan pertanyaan lengkap dan mengharapkan menemukan jawaban dalam sebuah chunk.
    
    Mode Kemiripan: Memberi skor berdasarkan "kemiripan semantik" antara kueri dan chunk kandidat. Mode ini cocok untuk skenario di mana kueri dan chunk memiliki gaya ekspresi yang serupa.
    
    Mode lanjutan kustom: Memungkinkan Anda memasukkan instruksi bahasa alami hingga 200 karakter untuk memengaruhi proses penyusunan ulang. Mode ini cocok untuk skenario dengan persyaratan peringkat khusus.
    
    Peringatan
    Anda dapat memilih mode model penyusunan ulang hanya saat membuat basis pengetahuan. Anda tidak dapat mengubahnya setelah pembuatan. Sebelum mengonfigurasi pengaturan ini, perhatikan batasan berikut:
    
    Batasan tipe basis pengetahuan: Fitur ini hanya berlaku untuk basis pengetahuan pencarian dokumen, Kueri Data, dan pencarian audio/video. Fitur ini tidak didukung untuk basis pengetahuan Tanya Jawab Gambar.
    
    Batasan kasus penggunaan: Fitur ini hanya didukung untuk kasus penggunaan Tanya Jawab Dokumen Dasar dan Balasan Teks Kaya. Fitur ini tidak didukung untuk kasus penggunaan pemahaman visual (dokumen teks kaya) dan Tanya Jawab Cepat.
    
    Ambang batas kemiripan
    
    Ambang batas ini menetapkan skor kemiripan minimum yang diperlukan agar chunk diambil dari hasil model penyusunan ulang.
    
    Catatan
    Ini adalah ambang batas kemiripan default untuk basis pengetahuan. Saat Anda mengaitkan basis pengetahuan dengan aplikasi Alibaba Cloud Model Studio tertentu, Anda dapat mengatur ambang batas terpisah untuk aplikasi tersebut, yang menggantikan ambang batas default basis pengetahuan.
    
    Menurunkan ambang batas ini mengambil lebih banyak chunk tetapi mungkin menyertakan konten yang kurang relevan. Sebaliknya, menaikkannya mengambil lebih sedikit chunk dan mungkin menyebabkan chunk yang relevan dibuang jika diatur terlalu tinggi.
    
    Anda dapat menggunakan pengujian hit untuk menyesuaikan ambang batas kemiripan guna menyeimbangkan recall dan presisi.
    graph TD; A[Reranked Results] --> B{Filter by Threshold}; B --> |Keep| C[Final Results]; B --> |Discard| D[Discarded]
    
    Jumlah recall maksimum
    
    Sistem mengambil chunk yang terkait dengan input dari semua basis pengetahuan yang terkait, menyusun ulang menggunakan model penyusunan ulang, dan memilih K chunk paling relevan untuk ditambahkan ke input LLM sebagai konteks. Nilai K ini adalah jumlah recall maksimum (hingga 20), dan menentukan jumlah chunk yang disediakan model penyusunan ulang kepada LLM untuk konteks.
    
    Meningkatkan nilai ini dapat meningkatkan akurasi respons LLM tetapi juga meningkatkan konsumsi token input LLM.
    
    Penyimpanan vektor
    
    Pilih database vektor untuk menyimpan vektor teks. Database vektor Built-in sudah cukup untuk operasi basis pengetahuan dasar. Untuk kemampuan lanjutan seperti manajemen database, audit, atau pemantauan, kami merekomendasikan AnalyticDB for PostgreSQL (ADB-PG).
    
    Saat Anda membeli instans AnalyticDB for PostgreSQL (ADB-PG), Anda harus mengaktifkan Optimalisasi Mesin Vektor. Jika tidak, Alibaba Cloud Model Studio tidak dapat menggunakan instans tersebut.
    Pembuatan pemahaman visual
    Saat Anda memilih kasus penggunaan pemahaman visual (dokumen teks kaya), basis pengetahuan menggunakan model penyematan multimoda untuk memahami dokumen secara visual dan mempertahankan informasi tata letak aslinya, alih-alih menggunakan metode pemecahan chunk tradisional.
    
    Batasan format file
    
    Di area unggah file tab Pilih data, arahkan kursor ke Lihat persyaratan format untuk melihat persyaratannya.
    
    Perbedaan konfigurasi indeks
    
    Konfigurasi indeks untuk kasus penggunaan pemahaman visual berbeda dari Tanya Jawab Dokumen Dasar:
    
    Model penyematan: Model qwen3-vl-embedding dipilih secara otomatis dan tidak dapat diubah setelah pembuatan.
    
    Penulisan ulang percakapan multi-putaran: Dapat diaktifkan atau dinonaktifkan.
    
    Ambang batas kemiripan: Defaultnya adalah 0,20.
    
    Jumlah recall maksimum akhir: Defaultnya adalah 5.
    
    Metode pemecahan chunk: Pemahaman visual tidak menggunakan metode pemecahan chunk tradisional seperti pemecahan chunk cerdas atau kustom. Sebagai gantinya, pemahaman visual memahami seluruh halaman dokumen berdasarkan pengindeksan visual.
    
    Batasan pengeditan
    
    Model penyematan (qwen3-vl-embedding) dan tipe penyimpanan vektor (bawaan) tidak dapat diubah setelah pembuatan.
    
    Anda hanya dapat mengubah edisi basis pengetahuan sekali per hari.
- Kueri data
  - Kasus penggunaan:
    - Ideal untuk membangun sistem Tanya Jawab berdasarkan data terstruktur (data yang diorganisir sesuai skema tabel yang telah ditentukan), seperti asisten untuk menanyakan FAQ, data produk, atau informasi personel.
    - Jika data Anda terdiri dari pasangan pertanyaan dan jawaban FAQ lengkap, pilih Kueri Data. Sebagai contoh, jika file Excel berisi dua kolom, Question dan Answer, basis pengetahuan Kueri Data dapat menggunakan kolom Question untuk pengambilan data dan kolom Answer sebagai konteks untuk respons LLM.
      
      Pemrosesan berbasis kolom ini tidak tersedia dalam tipe basis pengetahuan pencarian dokumen.
    - Anda dapat mengimpor beberapa file Excel, tetapi skema tabelnya harus identik.
  - Integrasi sumber data: Anda dapat mengunggah file XLS atau XLSX lokal.
    Pembuatan kueri data
    Pilih data: Tentukan sumber data (file atau konten) untuk basis pengetahuan. Sistem mengimpor konten sumber ke basis pengetahuan untuk pengambilan data. Anda dapat menggunakan unggah lokal atau impor cloud.
    
    Catatan
    Sumber data tidak dapat diubah setelah Anda membuat basis pengetahuan. Satu basis pengetahuan hanya mendukung satu sumber data.
    
    Unggah lokal: Unggah tabel data dalam format XLS atau XLSX dari komputer Anda. Baris pertama harus merupakan header tabel.
    
    Impor cloud (pilih tabel data): Pilih tabel data yang ada dari Alibaba Cloud Model Studio.
    
    Konfigurasi indeks: Menentukan bagaimana data yang diimpor diproses dan disimpan, yang secara langsung memengaruhi kinerja pengambilan data.
    
    Di antara pengaturan berikut, hanya penyimpanan vektor dengan AnalyticDB for PostgreSQL (ADB-PG) yang mungkin dikenai biaya. Semua pengaturan lainnya gratis.
    
    Pengaturan pengambilan data dan balasan
    
    Used for Retrieval: Jika diaktifkan, basis pengetahuan melakukan pengambilan data pada kolom ini.
    
    Used for Model Reply: Jika diaktifkan, hasil pengambilan data dari kolom ini diberikan kepada LLM sebagai konteks untuk pembuatan respons. Sebagai contoh, jika Anda mengaktifkan Used for Retrieval untuk kolom "Nama," "Jenis Kelamin," "Posisi," dan "Usia," tetapi hanya mengaktifkan Used for Model Reply untuk kolom "Nama" dan "Posisi," basis pengetahuan mengambil data dari keempat kolom tersebut. Namun, hanya konten dari kolom "Nama" dan "Posisi" dari data yang diambil yang diberikan kepada LLM sebagai konteks untuk responsnya.
    
    Karena kolom "Usia" tidak diaktifkan untuk balasan model, LLM yang terkait dengan basis pengetahuan ini tidak dapat menjawab pertanyaan "Berapa usia Zhang San?".
    
    Penulisan ulang percakapan multi-putaran
    
    Saat diaktifkan, fitur ini menggunakan model khusus untuk menulis ulang kueri pengguna dengan memasukkan riwayat percakapan. Proses ini menciptakan kueri lengkap dan mandiri untuk pengambilan data basis pengetahuan.
    graph TD; A[Query] --> C{Rewrite Model}; B[History] --> C; C --> D[Rewritten Query]; D --> E[KB Retrieval]
    
    Model penyematan
    
    Model penyematan mengonversi prompt input asli dan teks pengetahuan menjadi vektor numerik sehingga sistem dapat menghitung kemiripan semantik. Model default Vektor Resmi (text-embedding-v2) mendukung beberapa bahasa selain Tionghoa dan Inggris serta menormalisasi vektor yang dihasilkan. Pengaturan ini tidak dapat diubah.
    
    Dimensi vektor untuk bersifat tetap dan tidak dapat dimodifikasi:
    
    Vektor Resmi (text-embedding-v2): 1.536 dimensi
    
    qwen3-vl-embedding: Diaktifkan secara otomatis saat kasus penggunaan pemahaman visual dipilih. Mendukung pembuatan vektor untuk gambar dan dokumen teks kaya setelah pemahaman visual.
    
    graph TD; subgraph Input; A[Prompt] --> C{Embedding Model} --> D[Prompt Vector]; end; subgraph Knowledge Base; B[Knowledge] --> C --> E[Knowledge Vector]; end; D --> F((Similarity)); E --> F
    
    Model penyusunan ulang
    
    Model penyusunan ulang berada di luar basis pengetahuan. Model ini menyusun ulang chunk kandidat dari pengambilan vektor awal dan mengembalikan K chunk teratas dengan skor kemiripan tertinggi. Penyusun ulang resmi yang direkomendasikan, qwen3-rerank (hibrida), mempertimbangkan relevansi semantik dan fitur pencocokan teks (seperti skor BM25) untuk menangani kueri yang memerlukan pencocokan kata kunci tepat. Jika Anda hanya memerlukan peringkat semantik, pilih qwen3-rerank.
    graph TD; A[Vector Retrieval] --> B{Candidates}; B --> C[Reranker]; C --> D[Top K Results]
    Mode model penyusunan ulang
    
    Saat Anda membuat basis pengetahuan, Anda dapat memilih salah satu dari tiga mode berikut untuk model penyusunan ulang:
    
    Mode Tanya Jawab (default): Memberi skor berdasarkan "relevansi Tanya Jawab" antara kueri dan chunk kandidat. Mode ini cocok untuk skenario di mana pengguna mengajukan pertanyaan lengkap dan mengharapkan menemukan jawaban dalam sebuah chunk.
    
    Mode Kemiripan: Memberi skor berdasarkan "kemiripan semantik" antara kueri dan chunk kandidat. Mode ini cocok untuk skenario di mana kueri dan chunk memiliki gaya ekspresi yang serupa.
    
    Mode lanjutan kustom: Memungkinkan Anda memasukkan instruksi bahasa alami hingga 200 karakter untuk memengaruhi proses penyusunan ulang. Mode ini cocok untuk skenario dengan persyaratan peringkat khusus.
    
    Peringatan
    Anda dapat memilih mode model penyusunan ulang hanya saat membuat basis pengetahuan. Anda tidak dapat mengubahnya setelah pembuatan. Sebelum mengonfigurasi pengaturan ini, perhatikan batasan berikut:
    
    Batasan tipe basis pengetahuan: Fitur ini hanya berlaku untuk basis pengetahuan pencarian dokumen, Kueri Data, dan pencarian audio/video. Fitur ini tidak didukung untuk basis pengetahuan Tanya Jawab Gambar.
    
    Batasan kasus penggunaan: Fitur ini hanya didukung untuk kasus penggunaan Tanya Jawab Dokumen Dasar dan Balasan Teks Kaya. Fitur ini tidak didukung untuk kasus penggunaan pemahaman visual (dokumen teks kaya) dan Tanya Jawab Cepat.
    
    Ambang batas kemiripan
    
    Ambang batas ini menetapkan skor kemiripan minimum yang diperlukan agar chunk diambil dari hasil model penyusunan ulang.
    
    Catatan
    Ini adalah ambang batas kemiripan default untuk basis pengetahuan. Saat Anda mengaitkan basis pengetahuan dengan aplikasi Alibaba Cloud Model Studio tertentu, Anda dapat mengatur ambang batas terpisah untuk aplikasi tersebut, yang menggantikan ambang batas default basis pengetahuan.
    
    Menurunkan ambang batas ini mengambil lebih banyak chunk tetapi mungkin menyertakan konten yang kurang relevan. Sebaliknya, menaikkannya mengambil lebih sedikit chunk dan mungkin menyebabkan chunk yang relevan dibuang jika diatur terlalu tinggi.
    
    Anda dapat menggunakan pengujian hit untuk menyesuaikan ambang batas kemiripan guna menyeimbangkan recall dan presisi.
    graph TD; A[Reranked Results] --> B{Filter by Threshold}; B --> |Keep| C[Final Results]; B --> |Discard| D[Discarded]
    
    Jumlah recall maksimum
    
    Sistem mengambil chunk yang terkait dengan input dari semua basis pengetahuan yang terkait, menyusun ulang menggunakan model penyusunan ulang, dan memilih K chunk paling relevan untuk ditambahkan ke input LLM sebagai konteks. Nilai K ini adalah jumlah recall maksimum (hingga 20), dan menentukan jumlah chunk yang disediakan model penyusunan ulang kepada LLM untuk konteks.
    
    Meningkatkan nilai ini dapat meningkatkan akurasi respons LLM tetapi juga meningkatkan konsumsi token input LLM.
    
    Penyimpanan vektor
    
    Pilih database vektor untuk menyimpan vektor teks. Database vektor Built-in sudah cukup untuk operasi basis pengetahuan dasar. Untuk kemampuan lanjutan seperti manajemen database, audit, atau pemantauan, kami merekomendasikan AnalyticDB for PostgreSQL (ADB-PG).
    
    Saat Anda membeli instans AnalyticDB for PostgreSQL (ADB-PG), Anda harus mengaktifkan Optimalisasi Mesin Vektor. Jika tidak, Alibaba Cloud Model Studio tidak dapat menggunakan instans tersebut.
- Tanya Jawab Gambar
  - Kasus Penggunaan:
    - Ideal untuk membangun aplikasi pengambilan data multimodal yang mendukung pencarian berdasarkan gambar dan pencarian berdasarkan gambar-plus-teks, seperti asisten penemuan produk atau asisten Tanya Jawab visual.
  - Integrasi sumber data: Anda dapat mengunggah file XLS atau XLSX lokal.
    
    File XLS dan XLSX harus berisi URL gambar yang dapat diakses publik untuk membangun indeks gambar. Untuk detailnya, lihat instruksi pembuatan di bawah.
    Pembuatan Tanya Jawab Gambar
    Pilih data: Tentukan sumber data (file atau konten) untuk diimpor ke basis pengetahuan untuk pengambilan data. Anda dapat menggunakan unggah lokal atau impor cloud (pilih tabel data yang ada dari konektor data).
    
    Catatan
    Sumber data tidak dapat diubah setelah pembuatan, dan satu basis pengetahuan hanya mendukung satu sumber data.
    
    Unggah lokal: Unggah tabel data dalam format XLS atau XLSX langsung dari komputer Anda.
    
    Catatan
    
    Persyaratan bidang: Tabel data harus berisi setidaknya satu bidang bertipe image_url untuk menghasilkan indeks gambar.
    
    Proses pembuatan: Basis pengetahuan mengakses URL gambar di bidang image_url, mengekstraksi fitur visual, dan mengonversinya menjadi vektor untuk disimpan.
    
    Proses pengambilan data: Basis pengetahuan membandingkan vektor yang dihasilkan dari gambar yang diunggah pengguna dengan vektor gambar yang disimpan dan mengembalikan catatan paling relevan.
    
    Impor cloud (pilih tabel data): Pilih tabel data yang ada dari data aplikasi Anda di Alibaba Cloud Model Studio.
    
    Konfigurasi indeks: Menentukan bagaimana data yang diimpor diproses dan disimpan, yang secara langsung memengaruhi kinerja pengambilan data.
    
    Di antara pengaturan berikut, hanya penyimpanan vektor dengan AnalyticDB for PostgreSQL (ADB-PG) yang mungkin dikenai biaya. Semua pengaturan lainnya gratis.
    
    Pengaturan pengambilan data dan balasan
    
    Used for Retrieval: Jika diaktifkan, basis pengetahuan melakukan pengambilan data pada kolom ini.
    
    Used for Model Reply: Jika diaktifkan, hasil pengambilan data dari kolom ini diberikan kepada LLM sebagai konteks untuk pembuatan respons. Sebagai contoh, jika Anda mengaktifkan Used for Retrieval untuk kolom "Nama," "Jenis Kelamin," "Posisi," dan "Usia," tetapi hanya mengaktifkan Used for Model Reply untuk kolom "Nama" dan "Posisi," basis pengetahuan mengambil data dari keempat kolom tersebut. Namun, hanya konten dari kolom "Nama" dan "Posisi" dari data yang diambil yang diberikan kepada LLM sebagai konteks untuk responsnya.
    
    Karena kolom "Usia" tidak diaktifkan untuk balasan model, LLM yang terkait dengan basis pengetahuan ini tidak dapat menjawab pertanyaan "Berapa usia Zhang San?".
    
    Penulisan ulang percakapan multi-putaran
    
    Saat diaktifkan, fitur ini menggunakan model khusus untuk menulis ulang kueri pengguna dengan memasukkan riwayat percakapan. Proses ini menciptakan kueri lengkap dan mandiri untuk pengambilan data basis pengetahuan.
    graph TD; A[Query] --> C{Rewrite Model}; B[History] --> C; C --> D[Rewritten Query]; D --> E[KB Retrieval]
    
    Model penyematan
    
    Model penyematan mengonversi prompt input asli, teks pengetahuan, dan gambar menjadi vektor numerik untuk memungkinkan perbandingan kemiripan. Untuk informasi lebih lanjut, lihat Vektorisasi teks dan multimodal.
    
    qwen2.5-vl-embedding: Merepresentasikan input single-modal atau mixed-modal sebagai vektor terpadu, cocok untuk pengambilan data cross-modal dan pencarian gambar. Sebagai contoh, jika Anda memasukkan gambar kemeja dengan teks "temukan gaya serupa yang terlihat lebih muda," model dapat menggabungkan instruksi gambar dan teks menjadi satu vektor untuk pemahaman.
    
    multimodal-embedding-v1: Menghasilkan vektor terpisah untuk setiap bagian input (gambar dan teks).
    
    qwen3-vl-embedding: Versi peningkatan dari qwen2.5-vl-embedding yang lebih meningkatkan pemahaman fusi gambar-teks dan akurasi pengambilan data cross-modal.
    
    Model penyusunan ulang
    
    Model penyusunan ulang berada di luar basis pengetahuan. Model ini menyusun ulang chunk kandidat dari pengambilan vektor awal dan mengembalikan K chunk teratas dengan skor kemiripan tertinggi. Penyusun ulang resmi yang direkomendasikan, qwen3-rerank (hibrida), mempertimbangkan relevansi semantik dan fitur pencocokan teks (seperti skor BM25) untuk menangani kueri yang memerlukan pencocokan kata kunci tepat. Jika Anda hanya memerlukan peringkat semantik, pilih qwen3-rerank.
    graph TD; A[Vector Retrieval] --> B{Candidates}; B --> C[Reranker]; C --> D[Top K Results]
    Mode model penyusunan ulang
    
    Saat Anda membuat basis pengetahuan, Anda dapat memilih salah satu dari tiga mode berikut untuk model penyusunan ulang:
    
    Mode Tanya Jawab (default): Memberi skor berdasarkan "relevansi Tanya Jawab" antara kueri dan chunk kandidat. Mode ini cocok untuk skenario di mana pengguna mengajukan pertanyaan lengkap dan mengharapkan menemukan jawaban dalam sebuah chunk.
    
    Mode Kemiripan: Memberi skor berdasarkan "kemiripan semantik" antara kueri dan chunk kandidat. Mode ini cocok untuk skenario di mana kueri dan chunk memiliki gaya ekspresi yang serupa.
    
    Mode lanjutan kustom: Memungkinkan Anda memasukkan instruksi bahasa alami hingga 200 karakter untuk memengaruhi proses penyusunan ulang. Mode ini cocok untuk skenario dengan persyaratan peringkat khusus.
    
    Peringatan
    Anda dapat memilih mode model penyusunan ulang hanya saat membuat basis pengetahuan. Anda tidak dapat mengubahnya setelah pembuatan. Sebelum mengonfigurasi pengaturan ini, perhatikan batasan berikut:
    
    Batasan tipe basis pengetahuan: Fitur ini hanya berlaku untuk basis pengetahuan pencarian dokumen, Kueri Data, dan pencarian audio/video. Fitur ini tidak didukung untuk basis pengetahuan Tanya Jawab Gambar.
    
    Batasan kasus penggunaan: Fitur ini hanya didukung untuk kasus penggunaan Tanya Jawab Dokumen Dasar dan Balasan Teks Kaya. Fitur ini tidak didukung untuk kasus penggunaan pemahaman visual (dokumen teks kaya) dan Tanya Jawab Cepat.
    
    Ambang batas kemiripan
    
    Ambang batas ini menetapkan skor kemiripan minimum yang diperlukan agar chunk diambil dari hasil model penyusunan ulang.
    
    Catatan
    Ini adalah ambang batas kemiripan default untuk basis pengetahuan. Saat Anda mengaitkan basis pengetahuan dengan aplikasi Alibaba Cloud Model Studio tertentu, Anda dapat mengatur ambang batas terpisah untuk aplikasi tersebut, yang menggantikan ambang batas default basis pengetahuan.
    
    Menurunkan ambang batas ini mengambil lebih banyak chunk tetapi mungkin menyertakan konten yang kurang relevan. Sebaliknya, menaikkannya mengambil lebih sedikit chunk dan mungkin menyebabkan chunk yang relevan dibuang jika diatur terlalu tinggi.
    
    Anda dapat menggunakan pengujian hit untuk menyesuaikan ambang batas kemiripan guna menyeimbangkan recall dan presisi.
    graph TD; A[Reranked Results] --> B{Filter by Threshold}; B --> |Keep| C[Final Results]; B --> |Discard| D[Discarded]
    
    Jumlah recall maksimum
    
    Sistem mengambil chunk yang terkait dengan input dari semua basis pengetahuan yang terkait, menyusun ulang menggunakan model penyusunan ulang, dan memilih K chunk paling relevan untuk ditambahkan ke input LLM sebagai konteks. Nilai K ini adalah jumlah recall maksimum (hingga 20), dan menentukan jumlah chunk yang disediakan model penyusunan ulang kepada LLM untuk konteks.
    
    Meningkatkan nilai ini dapat meningkatkan akurasi respons LLM tetapi juga meningkatkan konsumsi token input LLM.
    
    Penyimpanan vektor
    
    Pilih database vektor untuk menyimpan vektor teks. Database vektor Built-in sudah cukup untuk operasi basis pengetahuan dasar. Untuk kemampuan lanjutan seperti manajemen database, audit, atau pemantauan, kami merekomendasikan AnalyticDB for PostgreSQL (ADB-PG).
    
    Saat Anda membeli instans AnalyticDB for PostgreSQL (ADB-PG), Anda harus mengaktifkan Optimalisasi Mesin Vektor. Jika tidak, Alibaba Cloud Model Studio tidak dapat menggunakan instans tersebut.
Anda dapat memilih kasus penggunaan berdasarkan kebutuhan Anda, seperti Tanya Jawab Dokumen Dasar, Balasan Teks Kaya.

Selama jam sibuk, pembuatan basis pengetahuan dapat memakan waktu beberapa jam, tergantung pada volume data.

Perbarui basis pengetahuan

Perubahan pada basis pengetahuan disinkronkan secara real time dengan semua aplikasi yang mereferensinya.

Pencarian dokumen

Pembaruan otomatis (direkomendasikan)
Anda dapat mengatur pembaruan otomatis dengan mengintegrasikan OSS, FC, dan API basis pengetahuan Model Studio. Ikuti langkah-langkah berikut:
1. Buat bucket: Buka Konsol OSS dan buat bucket OSS untuk menyimpan file sumber Anda.
2. Buat basis pengetahuan: Buat basis pengetahuan tidak terstruktur untuk menyimpan konten privat Anda.
3. Buat fungsi yang dikelola pengguna: Buka Konsol FC dan buat fungsi untuk menangani event perubahan file, seperti pembuatan dan penghapusan file. Untuk informasi lebih lanjut, lihat Buat fungsi. Fungsi ini memanggil API yang relevan dari Panduan API Basis Pengetahuan untuk menyinkronkan basis pengetahuan Anda dengan perubahan file di OSS.
4. Buat pemicu OSS: Di FC, kaitkan pemicu OSS dengan fungsi yang dikelola pengguna yang Anda buat pada langkah sebelumnya. Saat event perubahan file terjadi, seperti file baru diunggah ke OSS, pemicu menjalankan fungsi di FC.
Pembaruan manual

Di halaman Basis Pengetahuan, temukan basis pengetahuan yang ingin Anda perbarui dan klik View Details pada kartunya.
- Untuk menambahkan file baru: Klik Upload Data dan pilih file yang ada dari konektor data.
- Untuk menghapus file: Temukan file yang ingin Anda hapus dan klik Delete di sebelah kanannya.
- Untuk memodifikasi konten file: Pembaruan langsung dan unggah timpa tidak didukung. Anda harus terlebih dahulu menghapus versi lama file dari basis pengetahuan, lalu mengimpor versi baru.
  
  Catatan: Gagal menghapus versi lama dapat menyebabkan konten usang muncul dalam respons.

Kueri data dan Tanya Jawab Gambar

Catatan: Halaman detail untuk basis pengetahuan Tanya Jawab Gambar tidak memiliki tombol Unggah Data langsung. Klik tautan Lihat Sumber Data untuk membuka halaman detail konektor data dan memperbarui datanya.

Pembaruan otomatis

Tidak didukung.
Pembaruan manual

Jika sumber data untuk basis pengetahuan Anda adalah tabel data di Data Aplikasi, Anda harus memperbaruinya secara manual dalam dua langkah.
1. Langkah 1: Perbarui tabel data
  
  Buka tab Data Aplikasi. Di panel kiri, pilih tabel data target dan klik Upload Data.
  - Untuk memasukkan data baru: Pilih Incremental Upload sebagai tipe impor. Anda harus mengunggah file Excel yang hanya berisi baris header dan baris data baru.
    
    Header file harus sesuai dengan skema tabel saat ini. Anda dapat mengklik Download Template untuk mendapatkan file templat dengan header standar, lalu tambahkan data baru Anda ke dalamnya.
  - Untuk menghapus data: Pilih Upload and Overwrite sebagai tipe impor. Anda harus mengunggah file Excel yang berisi baris header dan hanya catatan data yang ingin Anda simpan.
    
    Untuk mendapatkan dataset lengkap, klik ikon untuk mengunduh data dalam format XLSX.
  - Untuk memodifikasi data: Pilih Upload and Overwrite sebagai tipe impor. Anda harus mengunggah file Excel yang berisi baris header dan dataset lengkap yang telah dimodifikasi.
2. Langkah 2: Sinkronkan perubahan dengan basis pengetahuan
  
  Kembali ke daftar Basis Pengetahuan, temukan basis pengetahuan target, dan klik View Details pada kartunya. Klik ikon di pojok kiri atas tabel data dan konfirmasi prompt untuk menyinkronkan konten terbaru tabel data dengan basis pengetahuan.
  
  Anda harus mengulangi langkah-langkah ini untuk setiap pembaruan manual.

Pencarian audio dan video

Pembaruan otomatis

Tidak didukung.
Pembaruan manual

Di halaman Basis Pengetahuan, temukan basis pengetahuan yang ingin Anda perbarui dan klik View Details pada kartunya.
- Untuk menambahkan file baru: Klik Upload Data dan pilih file yang ada dari Data Aplikasi.
- Untuk menghapus file: Temukan file yang ingin Anda hapus dan klik Delete di sebelah kanannya.
  
  Tindakan ini hanya menghapus file dari basis pengetahuan. Tidak menghapus file sumber di Data Aplikasi.
- Untuk memodifikasi konten file: Pembaruan langsung dan unggah timpa tidak didukung. Anda harus terlebih dahulu menghapus versi lama file dari basis pengetahuan, lalu mengimpor versi baru.
  
  Catatan: Gagal menghapus versi lama dapat menyebabkan konten usang muncul dalam respons.

Edit basis pengetahuan

Setelah membuat basis pengetahuan, Anda hanya dapat memodifikasi nama basis pengetahuan, deskripsi basis pengetahuan, dan ambang batas kemiripan. Untuk mengubah pengaturan lainnya, Anda harus menghapus dan membuat ulang basis pengetahuan. Operasi ini hanya tersedia di Konsol dan tidak memiliki API yang sesuai.

Prosedur: Di halaman Basis Pengetahuan, temukan basis pengetahuan target, klik ikon 更多（...） pada kartunya, lalu klik Edit. Catatan: Anda hanya dapat memodifikasi konfigurasi basis pengetahuan sekali per hari kalender. Upaya berikutnya akan diam-diam ditolak.

Hapus basis pengetahuan

Peringatan

Tindakan ini tidak dapat diurungkan.

Sebelum menghapus basis pengetahuan, kami sarankan memutuskan kaitannya dari semua aplikasi Model Studio yang dipublikasikan.

Anda masih dapat menghapus basis pengetahuan yang dikaitkan dengan aplikasi yang belum dipublikasikan.

Prosedur

Untuk setiap aplikasi yang dipublikasikan dan dikaitkan dengan basis pengetahuan:
1. Di halaman Pusat Aplikasi, temukan aplikasi yang dikaitkan dengan basis pengetahuan dan klik Configure.
2. Dalam daftar basis pengetahuan, hapus basis pengetahuan tersebut. Klik Publish di pojok kanan atas halaman dan publikasikan ulang aplikasi seperti yang diminta.
Di halaman Basis Pengetahuan, temukan basis pengetahuan target, klik ikon pada kartunya, lalu klik Delete.

Ubah konfigurasi

Edisi Perusahaan menggunakan RCU untuk memastikan kinerja pengambilan data tinggi pada QPS tinggi dan mendukung kapasitas penyimpanan yang lebih besar. Edisi Standar cocok untuk pengembangan, pengujian, atau skenario konkurensi rendah.

Catatan

Anda dapat beralih antara Edisi Standar dan Edisi Perusahaan, serta memodifikasi jumlah RCU untuk Edisi Perusahaan.

Anda hanya dapat mengubah konfigurasi basis pengetahuan sekali per hari kalender.

RCU: Unit Komputasi Pengambilan Data (RCU) adalah ukuran konkurensi pengambilan data untuk basis pengetahuan. 1 RCU mendukung hingga sekitar 50 QPS untuk pengambilan data online. Jumlah RCU yang lebih tinggi mendukung konkurensi yang lebih besar.

Catatan:
- Jika basis pengetahuan Edisi Perusahaan menggunakan penyimpanan platform, Anda harus mengurangi ruang penyimpanan yang digunakan di bawah 80 GB sebelum dapat menurunkan spesifikasinya ke Edisi Standar.
  
  Anda dapat membebaskan ruang penyimpanan dengan menghapus file atau data dari basis pengetahuan.
Prosedur:
1. Di halaman Basis Pengetahuan, temukan basis pengetahuan yang akan dikonfigurasi ulang. Klik ikon pada kartunya, lalu klik Edit.
2. Di kotak dialog, pilih tindakan berdasarkan edisi saat ini:
  - Edisi Standar: Pilih Upgrade.
  - Edisi Perusahaan: Pilih Downgrade atau Ubah Jumlah RCU.
3. Ikuti instruksi di layar untuk menyelesaikan proses. Konfigurasi baru berlaku langsung setelah Anda mengklik OK.

Pengujian hit

Gunakan pengujian hit untuk memverifikasi bahwa basis pengetahuan Anda menyediakan konteks yang akurat untuk aplikasi AI Anda. Proses ini melibatkan simulasi kueri pengguna, evaluasi hasil pengambilan data, dan penyesuaian ambang batas kemiripan.

Model penyusunan ulang dalam pengujian hit mendukung tiga mode: mode Tanya Jawab (default), dirancang untuk kueri yang tidak sepenuhnya cocok dengan konten dokumen; mode kemiripan, ideal untuk kueri yang sangat mirip dengan konten dokumen; dan mode lanjutan kustom. Skor peringkat untuk kueri yang sama dapat sangat bervariasi tergantung pada mode yang dipilih. Sebagai contoh, segmen teks yang sama mungkin mendapat skor 47% dalam mode Tanya Jawab tetapi hingga 69% dalam mode kemiripan.

Dengan hit testing, Anda dapat:

Memverifikasi bahwa basis pengetahuan menyediakan konteks yang efektif untuk aplikasi AI Anda
Menyesuaikan ambang batas kemiripan untuk menyeimbangkan tingkat recall dan akurasi
Mengidentifikasi celah konten atau masalah kualitas dalam basis pengetahuan Anda

Kasus penggunaan

Skenario 1: Menanyakan harga produk

Input uji: "Berapa harga ponsel Model Studio Anda?"
Hasil yang diharapkan: Ambil segmen teks relevan yang berisi informasi harga.

Skenario 2: Pemecahan masalah teknis

Input uji: "Apa yang harus saya lakukan jika perangkat saya tidak bisa terhubung ke Wi-Fi?"
Hasil yang diharapkan: Ambil segmen teks relevan tentang pemecahan masalah koneksi Wi-Fi.

Skenario 3: Pengambilan data dengan pemahaman visual

Basis pengetahuan pemahaman visual mendukung tiga mode kueri: hanya teks, hanya gambar, dan gambar+teks.
Mode 1 (hanya teks): Masukkan "Object Storage Service" untuk mengambil segmen relevan dari dokumen dan gambar.
Mode 2 (hanya gambar): Unggah tangkapan layar produk. Sistem menggunakan pemahaman visual untuk mencocokkan segmen yang secara semantik mirip.
Mode 3 (gambar+teks): Unggah gambar dan masukkan teks deskriptif. Kueri gabungan ini dapat meningkatkan relevansi pengambilan data.

Skenario 4: Tanya Jawab Express

Basis pengetahuan Tanya Jawab Express hanya mendukung kueri teks (input gambar tidak didukung) dan ideal untuk pengambilan data cepat dari dokumen terstruktur:
Input uji: "Berapa harga Qwen Pro 8?"
Hasil yang diharapkan: Cepat mengambil segmen FAQ relevan yang mencakup informasi harga.

Prosedur

Di halaman basis pengetahuan, klik Hit Test pada kartu basis pengetahuan target.
Di antarmuka uji, masukkan pertanyaan—idealnya pertanyaan umum dari pengguna Anda—dan tinjau hasil pengambilan datanya.
- Hasil pengambilan data: Bagian ini menampilkan hasil pengambilan data uji saat ini, diurutkan berdasarkan kemiripan secara menurun. Klik segmen teks apa pun untuk melihat isinya.
- Ikon: Untuk basis pengetahuan Tanya Jawab Gambar, sistem pertama-tama mengonversi gambar input menjadi vektor dan mengambil segmen relevan. Sistem kemudian mengirim segmen-segmen ini bersama pertanyaan ke LLM untuk menghasilkan jawaban. Untuk pencarian dokumen, kueri data, sistem tidak menggunakan gambar yang diunggah untuk pengambilan data. Namun, basis pengetahuan pencarian dokumen yang dikonfigurasi untuk "pemahaman visual" menggunakan gambar untuk pengambilan data, mendukung mode kueri hanya teks, hanya gambar, dan gambar+teks. Kueri gabungan ini dapat meningkatkan relevansi pengambilan data.
Verifikasi bahwa segmen teks relevan diambil. Jika tidak, sesuaikan ambang batas kemiripan dan ulangi langkah sebelumnya.
Klik View Recall History untuk membandingkan kinerja pengambilan data di berbagai pengaturan ambang batas.

Kuota dan batasan

Untuk informasi tentang sumber data yang didukung, kapasitas, dan batasan lainnya untuk basis pengetahuan, lihat Kuota dan batasan basis pengetahuan.
Batasan berikut berlaku saat Anda mengaitkan basis pengetahuan dengan aplikasi Model Studio:
- Pencarian dokumen: Maksimal 5
- Kueri data: Maksimal 5
- Tanya Jawab Gambar: Maksimal 1
Batas total lintas beberapa tipe basis pengetahuan adalah 11.

Penagihan

Menggunakan fitur basis pengetahuan gratis, tetapi Anda mungkin dikenai biaya untuk memanggil aplikasi Alibaba Cloud Model Studio yang menggunakannya.

Langkah	Penagihan
Bangun basis pengetahuan	Gratis.
Integrasikan dengan aplikasi bisnis	Saat Anda memanggil aplikasi Alibaba Cloud Model Studio, chunk teks yang diambil dari basis pengetahuan meningkatkan jumlah token input untuk LLM, sehingga meningkatkan biaya inferensi model. Untuk informasi lebih lanjut, lihat Item yang Dapat Ditagih dan Harga. Catatan: Anda tidak dikenai biaya jika hanya menggunakan API Ambil untuk pengambilan data dan tidak menggunakan aplikasi Alibaba Cloud Model Studio untuk menghasilkan respons.
Manajemen dan O&M	Gratis.

Referensi API

Lihat Direktori API (Basis Pengetahuan) untuk daftar lengkap API basis pengetahuan dan parameter-parameternya.
Lihat Panduan API Basis Pengetahuan untuk penggunaan detail dan contoh kode.

FAQ

Membangun basis pengetahuan

T: Dapatkah saya menghapus file atau tabel data dari Data Aplikasi setelah mengimpornya ke basis pengetahuan?
- Untuk basis pengetahuan pencarian dokumen: Ya. File dalam basis pengetahuan bersifat independen dari sumbernya di Data Aplikasi. Menghapus file sumber tidak memengaruhi data yang diimpor.
- Untuk basis pengetahuan kueri data dan Tanya Jawab Gambar: Tidak. Menghapus data sumber akan merusak fitur seperti sinkronisasi data dan tampilan basis pengetahuan.
T: Apa yang harus saya lakukan jika pemanggilan API basis pengetahuan mengembalikan kode kesalahan BailianIndexServiceNotOpen?

Kode kesalahan BailianIndexServiceNotOpen menunjukkan bahwa layanan Basis Pengetahuan Model Studio belum diaktifkan. Masuk ke Konsol Model Studio, buka halaman Data > Knowledge Base, lalu klik Activate Now untuk mengaktifkan layanan tersebut. Setelah itu, coba kembali panggilan API.

Menangani gambar dan konten multimodal

T: File saya berisi ilustrasi yang ingin saya sertakan dalam respons aplikasi Model Studio. Apa yang harus saya lakukan?

Pencarian dokumen

Metode 1 (Hanya untuk aplikasi agen)

Saat Anda membuat basis pengetahuan, atur Tipe Basis Pengetahuan ke pencarian dokumen dan With Illustrations ke With Illustrations.

Saat Anda memilih Dengan Ilustrasi, basis pengetahuan mengekstraksi ringkasan dari ilustrasi dalam file. Model bahasa besar kemudian memutuskan apakah akan menyisipkan gambar berdasarkan relevansi ringkasan terhadap pertanyaan pengguna.

Penting
Jangan memilih penguraian dokumen elektronik saat mengunggah dokumen. Metode penguraian ini tidak mengenali gambar, yang mencegah fitur Dengan Ilustrasi berfungsi dengan benar.
Saat membuat atau mengedit aplikasi agen, pilih model Qwen-Plus atau Qwen-Plus-Latest (pengujian menunjukkan model ini memberikan kinerja terbaik). Klik tombol + di sebelah kanan Document Knowledge Base dan tambahkan basis pengetahuan yang Anda buat pada langkah sebelumnya.

Catatan
Panjang recall harus lebih pendek dari panjang dokumen. Jika lebih panjang, sistem mengembalikan seluruh dokumen dan melewati logika Dengan Ilustrasi.

Catatan: Fitur "Dengan Ilustrasi" dan "Tampilkan Sumber Jawaban" tidak dapat diaktifkan secara bersamaan.
Hasil Tanya Jawab aktual:

Metode 2 (Untuk aplikasi agen dan alur kerja)

Unggah gambar ke lokasi yang dapat diakses publik dan dapatkan URL lengkapnya. Kami merekomendasikan menggunakan OSS. Untuk instruksi, lihat Unggah gambar ke OSS dan gunakan URL filenya.

Sisipkan URL lengkap ke dalam file. Jalur relatif tidak didukung. Jangan menyematkan file gambar langsung ke dalam dokumen (misalnya, dengan menyalin dan menempel atau dengan menyisipkan gambar lokal dari menu). Anda harus mereferensikan gambar menggunakan URL-nya yang dapat diakses publik.

Jika gambar gagal ditampilkan, pastikan URL dalam chunk lengkap. Hapus spasi tambahan atau karakter khusus yang mungkin menyebabkan kesalahan penguraian. Anda dapat mengedit chunk secara langsung untuk melakukan koreksi ini.

Contoh referensi gambar yang benar dalam file

Templat prompt sampel

Hasil Tanya Jawab aktual

# Basis Pengetahuan
Harap ingat materi berikut. Materi ini mungkin membantu menjawab pertanyaan.
${documents}

# Persyaratan
Jika ada tautan gambar, tampilkan secara lengkap menggunakan format markdown.

Contoh referensi gambar yang salah dalam file

Templat prompt sampel

Hasil Tanya Jawab aktual

# Basis Pengetahuan
Harap ingat materi berikut. Materi ini mungkin membantu menjawab pertanyaan.
${documents}

# Persyaratan
Jika ada gambar, harap tampilkan.

Di antarmuka uji chat, setelah memasukkan prompt, respons AI hanya mengembalikan konten teks biasa tanpa gambar apa pun.

Penjelasan: Saat Anda menyematkan gambar langsung ke dalam file, aplikasi Model Studio tidak menampilkan gambar dalam responsnya.

Tanya Jawab Gambar

Unggah gambar ke lokasi yang dapat diakses publik dan dapatkan URL lengkapnya. Kami merekomendasikan menggunakan OSS. Untuk instruksi, lihat Unggah gambar ke OSS dan gunakan URL filenya.
Di tab Tabel, buat tabel data baru dan tambahkan bidang bertipe image_url untuk menyimpan URL gambar lengkap.
Catatan
- Bidang image_url tidak mendukung jalur relatif.
- Satu bidang image_url tidak dapat menyimpan beberapa URL gambar. Untuk mengaitkan catatan dengan beberapa gambar, buat bidang image_url terpisah untuk masing-masing, seperti image_1 dan image_2.
- Setiap gambar yang direferensikan oleh bidang image_url harus berukuran 3 MB atau lebih kecil. Jika gambar melebihi batas ini, pembuatan basis pengetahuan akan gagal.
- Anda tidak dapat menambahkan atau memodifikasi bidang bertipe image_url setelah tabel data dibuat. Oleh karena itu, Anda harus menyertakan semua bidang gambar yang diperlukan selama desain skema tabel awal.
Tipe Type mendukung string, double, long, datetime, dan image_url. Setelah dikonfigurasi, Anda dapat mengunggah file format xlsx atau xls (tidak lebih besar dari 20 MB) di area Impor Data.
Saat Anda membuat basis pengetahuan, atur Tipe Basis Pengetahuan ke Tanya Jawab Gambar.
Saat membuat atau mengedit aplikasi agen, klik tombol + di sebelah kanan Image (basis pengetahuan Tanya Jawab Gambar), tambahkan basis pengetahuan yang Anda buat, lalu ubah templat prompt menjadi:
```
# Basis Pengetahuan
Harap ingat materi berikut. Materi ini mungkin membantu menjawab pertanyaan.
${documents}

# Persyaratan
Jika ada gambar, harap tampilkan.
```

Ajukan pertanyaan di kotak input di sisi kanan halaman.

Contohnya: "Perkenalkan secara singkat ponsel Bailian X1."

Contoh referensi gambar yang benar

Templat prompt sampel

Prompt pengguna dan respons aplikasi Model Studio

Di halaman pratinjau data basis pengetahuan Alibaba Cloud Model Studio, data Ponsel Model Studio menunjukkan Impor Berhasil. Tabel data terstruktur berisi tiga kolom: Model (string), Description (string), dan Gambar (image_url). Di baris data sampel, modelnya adalah Model Studio X1, bidang deskripsi berisi layar (6,7 inci 1440x3200 piksel 120Hz), penyimpanan (256GB+12GB RAM), baterai (5000mAh), kamera (quad kamera ultra-sensing), dan harga referensi 4.599–4.999 yuan, dengan kolom gambar berupa URL sumber daya gambar yang sesuai.

# Basis Pengetahuan
Harap ingat materi berikut. Materi ini mungkin membantu menjawab pertanyaan.
${documents}

# Persyaratan
Jika ada gambar, harap tampilkan.

Izin dan keamanan

T: Apa yang harus saya lakukan jika mendapatkan kesalahan "Missing permissions for this module" saat mengelola basis pengetahuan?

Secara default, Pengguna RAM tidak dapat melakukan operasi tulis seperti membuat, memperbarui, atau menghapus basis pengetahuan. Akun Alibaba Cloud harus memberikan izin halaman yang diperlukan, yaitu izin Administrator atau minimal mencakup kedua izin Application Data-Actions dan Knowledge Base-Actions.
T: Apakah basis pengetahuan bersifat privat? Dapatkah organisasi atau pengguna lain mengaksesnya?

Basis pengetahuan bersifat privat untuk ruang kerjanya dan hanya dapat diakses serta dikelola oleh anggota ruang kerja tersebut.
T: Apakah Alibaba Cloud menggunakan basis pengetahuan di akun saya untuk menjawab pertanyaan pengguna lain?

Alibaba Cloud berkomitmen terhadap privasi data dan tidak akan menggunakan data basis pengetahuan Anda untuk pelatihan model atau menjawab pertanyaan pengguna lain. Untuk informasi lebih lanjut, lihat Pernyataan Kepatuhan & Privasi.

Migrasi dan ekspor

T: Bagaimana cara mengekspor basis pengetahuan ke mesin lokal saya?

Ekspor satu klik saat ini tidak didukung. Sebagai solusi sementara, Anda dapat memanggil API ListChunks dan menulis skrip untuk mengambil data dokumen dan chunk secara batch.

Model yang didukung

Panduan cepat

1. Bangun basis pengetahuan

2. Integrasi dengan aplikasi bisnis

Aplikasi agen

Aplikasi alur kerja

Aplikasi eksternal

3. Optimalkan kinerja RAG (Opsional)

Panduan

Buat basis pengetahuan

Ekstraksi metadata

Rakit header Excel

Metode chunking

Penulisan ulang percakapan multi-putaran

Model penyematan

Model penyusunan ulang

Ambang batas kemiripan

Jumlah recall maksimum

Penyimpanan vektor

Batasan format file

Perbedaan konfigurasi indeks

Batasan pengeditan

Pengaturan pengambilan data dan balasan

Penulisan ulang percakapan multi-putaran

Model penyematan

Model penyusunan ulang

Ambang batas kemiripan

Jumlah recall maksimum

Penyimpanan vektor

Pengaturan pengambilan data dan balasan

Penulisan ulang percakapan multi-putaran

Model penyematan

Model penyusunan ulang

Ambang batas kemiripan

Jumlah recall maksimum

Penyimpanan vektor

Perbarui basis pengetahuan

Pencarian dokumen

Kueri data dan Tanya Jawab Gambar

Pencarian audio dan video

Edit basis pengetahuan

Hapus basis pengetahuan

Ubah konfigurasi

Pengujian hit

Kasus penggunaan

Prosedur

Kuota dan batasan

Penagihan

Referensi API

FAQ

Membangun basis pengetahuan

Menangani gambar dan konten multimodal

Pencarian dokumen

Tanya Jawab Gambar

Izin dan keamanan

Migrasi dan ekspor