Alibaba Cloud Model Studio:Basis pengetahuan

Aplikasi agen

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

2. 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.

   Misalnya, 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 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 yang lebih tinggi dari nilai ini yang diambil. Mengatur ambang batas terlalu tinggi dapat menyebabkan teks relevan terfilter keluar.

   (Opsional) Bobot: Pengaruh urutan pengambilan data 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 memrioritaskan chunk dari basis pengetahuan dengan bobot lebih tinggi.

   • Batasan utama: Bobot hanya berlaku antar basis pengetahuan dengan jenis yang sama. Misalnya, bobot basis pengetahuan pencarian dokumen tidak memengaruhi urutan pengambilan data 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 ke LLM sebagai konteks, memastikan bahwa chunk dengan skor berbobot lebih tinggi diprioritaskan dalam jawaban akhir.

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

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

   Strategi generasi batch: Ketika Anda perlu aplikasi agen menghasilkan volume besar konten dari basis pengetahuan, seperti soal kuis atau ringkasan, satu permintaan mungkin mengembalikan lebih sedikit item daripada yang diminta karena panjang output respons LLM terbatas. Pisahkan permintaan menjadi beberapa batch sekitar 30 item per batch dan selesaikan dalam beberapa giliran. Misalnya, kirim dulu "Hasilkan soal 1–30 berdasarkan basis pengetahuan", lalu setelah batch tersebut selesai, kirim "Lanjutkan dengan soal 31–60". Referensi pengukuran: satu permintaan untuk 100 soal hanya mengembalikan sekitar 24 soal, sedangkan tiga batch masing-masing 30 soal mengembalikan semua 30 soal per batch, total 90 soal. Jumlah aktual item yang dihasilkan bervariasi tergantung model yang dipilih dan panjang konten, jadi gunakan hasil pengujian Anda sendiri sebagai referensi akhir.

Aplikasi alur kerja

1. 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.

2. Konfigurasikan node Basis Pengetahuan:

   1. Input: Dari daftar drop-down Value di sebelah kanan variabel content, pilih Built-in Variable query. 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 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, biasanya node LLM.

      Meningkatkan nilai ini biasanya meningkatkan akurasi jawaban LLM tetapi juga meningkatkan konsumsi token input LLM.

3. Seret node LLM ke kanvas dan hubungkan setelah node Basis Pengetahuan serta sebelum node End.

4. 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).

      Misalnya, masukkan judul prompt # Basis Pengetahuan, dan isi tubuh sebagai Harap ingat materi berikut {Basis Pengetahuan 1/result}, ini mungkin membantu menjawab pertanyaan.

5. Konfigurasikan node End: Masukkan / lalu pilih LLM 1 > result untuk mengeluarkan hasil dari LLM.

6. Klik Test di pojok kanan atas halaman. Di kotak input di sebelah kanan, masukkan pertanyaan. LLM akan menggunakan basis pengetahuan untuk menghasilkan jawaban.

   Misalnya: "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.

Buat basis pengetahuan

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

1. Di halaman basis pengetahuan, klik Create Knowledge Base.

2. Informasi dasar

   Pilih Knowledge Base Type berdasarkan kasus penggunaan Anda. Satu basis pengetahuan hanya mendukung satu jenis. Jika Anda memilih jenis 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.

   Jenis 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 diorganisasi dalam model data atau skema 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

       1. 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 sudah 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 ragu opsi mana yang 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 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 sudah ada dari Object Storage Service (OSS).

       2. Konfigurasi indeks: Menentukan cara 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. Misalnya, 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." 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 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.

            Misalnya, 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 ke LLM sebagai input untuk pembuatan respons bersama konten chunk. Jika dinonaktifkan, hanya konten chunk yang diberikan ke LLM untuk pembuatan respons.

          Rakit header Excel

          Jika diaktifkan, basis pengetahuan memperlakukan baris pertama semua file XLSX dan XLS sebagai header dan secara otomatis menambahkannya ke setiap chunk (baris data). 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. 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 yang dimiliki chunk) 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 mirip 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-turn

          Jika 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.

          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 berbagai 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.

          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 hit kata kunci tepat. Jika Anda hanya memerlukan penyusunan ulang semantik, pilih qwen3-rerank.

          Reranking model mode

          Saat 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 berharap 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 penyusunan ulang khusus.

          PeringatanAnda 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 jenis 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.

          CatatanIni 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 relevan dibuang jika diatur terlalu tinggi.

          Anda dapat menggunakan pengujian hit untuk menyesuaikan ambang batas kemiripan guna menyeimbangkan recall dan presisi.

          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 diberikan model penyusunan ulang ke LLM sebagai 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 cukup untuk operasi dasar basis pengetahuan. Untuk kemampuan lanjutan seperti manajemen database, audit, atau pemantauan, kami merekomendasikan AnalyticDB for PostgreSQL (ADB-PG).

          Saat 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 asli, 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-turn: 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, model ini memahami seluruh halaman dokumen berdasarkan pengindeksan visual.

       Batasan pengeditan

       • Model penyematan (qwen3-vl-embedding) dan jenis penyimpanan vektor (bawaan) tidak dapat diubah setelah pembuatan.
       • Anda hanya dapat mengubah edisi basis pengetahuan satu kali per hari.
   • Kueri data
     • Kasus penggunaan:

       • Ideal untuk membangun sistem tanya-jawab berdasarkan data terstruktur (data yang diorganisasi sesuai skema tabel yang telah ditentukan), seperti asisten untuk menanyakan FAQ, data produk, atau informasi personel.

       • Jika data Anda terdiri dari pasangan pertanyaan-jawaban FAQ lengkap, pilih Kueri Data. Misalnya, 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 spesifik kolom ini tidak tersedia dalam jenis 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

       1. 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.

          CatatanSumber 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 berupa header tabel.
          • Impor cloud (pilih tabel data): Pilih tabel data yang sudah ada dari Alibaba Cloud Model Studio.

       2. Konfigurasi indeks: Menentukan cara 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 ke LLM sebagai konteks untuk pembuatan respons. Misalnya, 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 ke 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-turn

          Jika 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.

          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 berbagai 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.

          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 hit kata kunci tepat. Jika Anda hanya memerlukan penyusunan ulang semantik, pilih qwen3-rerank.

          Mode model penyusunan ulang

          Saat 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 berharap 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 penyusunan ulang khusus.

          PeringatanAnda 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 jenis 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.

          CatatanIni 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 relevan dibuang jika diatur terlalu tinggi.

          Anda dapat menggunakan pengujian hit untuk menyesuaikan ambang batas kemiripan guna menyeimbangkan recall dan presisi.

          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 diberikan model penyusunan ulang ke LLM sebagai 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 cukup untuk operasi dasar basis pengetahuan. Untuk kemampuan lanjutan seperti manajemen database, audit, atau pemantauan, kami merekomendasikan AnalyticDB for PostgreSQL (ADB-PG).

          Saat 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 multimoda 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

       1. 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 sudah ada dari konektor data).

          CatatanSumber 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 sudah ada dari data aplikasi Anda di Alibaba Cloud Model Studio.

       2. Konfigurasi indeks: Menentukan cara 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 ke LLM sebagai konteks untuk pembuatan respons. Misalnya, 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 ke 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-turn

          Jika 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.

          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 multimoda.

          • qwen2.5-vl-embedding: Merepresentasikan input single-modal atau mixed-modal sebagai vektor terpadu, cocok untuk pengambilan data lintas modal dan pencarian gambar. Misalnya, jika Anda memasukkan gambar kemeja dengan teks "temukan gaya serupa yang terlihat lebih muda," model dapat menggabungkan gambar dan instruksi 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 lintas 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 hit kata kunci tepat. Jika Anda hanya memerlukan penyusunan ulang semantik, pilih qwen3-rerank.

          Mode model penyusunan ulang

          Saat 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 berharap 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 penyusunan ulang khusus.

          PeringatanAnda 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 jenis 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.

          CatatanIni 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 relevan dibuang jika diatur terlalu tinggi.

          Anda dapat menggunakan pengujian hit untuk menyesuaikan ambang batas kemiripan guna menyeimbangkan recall dan presisi.

          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 diberikan model penyusunan ulang ke LLM sebagai 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 cukup untuk operasi dasar basis pengetahuan. Untuk kemampuan lanjutan seperti manajemen database, audit, atau pemantauan, kami merekomendasikan AnalyticDB for PostgreSQL (ADB-PG).

          Saat 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 volume data.

Perbarui basis pengetahuan

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

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 pada kartunya, lalu klik Edit. Catatan: Anda hanya dapat memodifikasi konfigurasi basis pengetahuan satu kali per hari kalender. Upaya berikutnya akan diam-diam ditolak.

Hapus basis pengetahuan

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.

Ubah konfigurasi

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

RCU: Retrieval Compute Unit (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 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 mengosongkan 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.

Hit testing

Gunakan pengujian hit untuk memverifikasi bahwa basis pengetahuan Anda memberikan konteks 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 mode yang dipilih. Misalnya, 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 memberikan konteks efektif ke 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: teks saja, gambar saja, dan gambar+teks.
Mode 1 (teks saja): Masukkan "Object Storage Service" untuk mengambil segmen relevan dari dokumen dan gambar.
Mode 2 (gambar saja): 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 Ekspres

Basis pengetahuan Tanya-Jawab Ekspres 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

1. Di halaman basis pengetahuan, klik Hit Test pada kartu basis pengetahuan target.

2. Di antarmuka uji, masukkan pertanyaan—idealnya pertanyaan umum dari pengguna Anda—lalu 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 lalu mengambil segmen relevan. Sistem kemudian mengirim segmen tersebut 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" memang menggunakan gambar untuk pengambilan data, mendukung mode kueri teks saja, gambar saja, dan gambar+teks. Kueri gabungan ini dapat meningkatkan relevansi pengambilan data.

3. Verifikasi bahwa segmen teks relevan diambil. Jika tidak, sesuaikan ambang batas kemiripan lalu ulangi langkah sebelumnya.

4. Klik View Recall History untuk membandingkan kinerja pengambilan data di berbagai pengaturan ambang batas.