Alibaba Cloud Model Studio:ナレッジベース

ナレッジベースの作成

ナレッジベースの作成 をクリックした後、「基本情報の入力とナレッジベースタイプの選択」、「データソースの設定」、「インデックスパラメーターの設定」の 3 つのステップでナレッジベースを作成します。

1. ナレッジベース ページで、ナレッジベースの作成 をクリックします。

2. 基本情報

   ユースケースに応じて ナレッジベースの種類 を選択します。1 つのナレッジベースでサポートされるタイプは 1 種類のみです。[ドキュメント検索] タイプを選択した場合は、[ユースケース] として、[基本ドキュメント Q&A]、[リッチテキスト返信] のいずれかを選択する必要もあります。

   • 基本的なドキュメント Q&A：プレーンテキストドキュメントのセマンティック検索に最適です。

   • リッチテキスト返信：テキストと画像の両方を含む応答が必要なユースケースに最適です。

   ナレッジベースのタイプは、ナレッジベース作成後に変更できません。

   • ドキュメント検索

     • ユースケース：

       • 社内文書や製品マニュアルなど、非構造化データからの情報取得に最適です。非構造化データとは、事前定義されたデータモデルやスキーマで整理されておらず、テキスト、テーブル、画像などを含む情報です。

       • アプリケーションが応答に含めたい画像がファイルに含まれている場合、ドキュメント検索を選択します。

     • データソース：ローカルファイルをアップロードするか、Object Storage Service (OSS) からインポートできます。

       ドキュメント検索の作成

       1. データの選択：ナレッジベースのデータソース (ファイルまたはコンテンツ) を指定します。システムはソースコンテンツをナレッジベースにインポートして取得します。ローカルアップロードまたはクラウドインポート (既存のカテゴリまたはファイルを選択) を使用できます。

          • ローカルアップロード：コンピュータから直接ファイルをアップロードします。下の折りたたみパネルを展開して、解析方法の選択方法を学びます。

            解析方法

            必要に応じて解析ストラテジーを設定します。どのオプションを選択すればよいかわからない場合は、デフォルト設定を使用することをお勧めします。

            • ドキュメント解析: ファイル内の図やチャートは解析しません。これは最速の解析方法です。10〜20 ページのプレーンテキストドキュメントは、通常、数秒から 1 分以内に解析されます。

            • インテリジェントドキュメント解析：ファイル内の図からテキストを認識・抽出し、テキスト要約を生成します。これらの要約は、他の非画像コンテンツとともにチャンク化され、取得のためにベクトル化されます。この方法は比較的速いです。図を含む10〜20ページのドキュメントは、通常1〜5分で解析されます。

            • LLM 解析: Qwen-VL モデルを使用するアプリケーションが、ファイル内のイラストやチャートの内容に関する質問に回答できるようにします。このコンテンツの認識と理解を有効にするには、大モデルドキュメント解析 を選択します。このメソッドは深い理解のために LLM を呼び出すため、チャートを含む 10～20 ページのドキュメントは、通常、解析に 2～10 分かかります。

            • Qwen-VL 解析：画像ファイル専用に設計されています。Qwen-VL モデルを指定し、プロンプトを提供して、画像のレイアウトと要素の認識と抽出をガイドできます。単一の画像は通常、数秒から1分で解析されます。

          • クラウドインポート：Object Storage Service (OSS) から既存のファイルをインポートします。

       2. インデックス設定：インポートされたデータの処理方法と保存方法を定義し、取得パフォーマンスに直接影響します。

          以下の設定のうち、AnalyticDB for PostgreSQL (ADB-PG) を使用したベクトルストレージのみが料金を発生させる可能性があります。他のすべての設定は無料です。

          メタデータ抽出

          メタデータは、非構造化データの追加属性で構成され、キーと値のペアとしてチャンクに統合されます。

          • 目的：メタデータはチャンクに重要なコンテキストを提供し、ナレッジベースの取得精度を大幅に向上させることができます。例えば、ファイル名が製品名である何千もの製品紹介ファイルを含むナレッジベースを考えます。ユーザーが「製品 A の機能概要」を検索したとき、すべてのファイルの本文に「機能概要」が含まれているが、「製品 A」に言及しているものがない場合、ナレッジベースは多くの無関係なチャンクを取得する可能性があります。しかし、すべてのチャンクに製品名をメタデータとして追加すると、ナレッジベースは「製品 A」に関連し、かつ「機能概要」を含むチャンクを正確にフィルタリングできます。これにより、取得精度が向上し、LLM の入力トークン消費量が削減されます。

          • 使用法：API を使用してアプリケーションを呼び出す際、metadata_filter リクエストパラメーターで metadata を指定できます。アプリケーションがナレッジベースから情報を取得すると、まず指定された metadata に基づいて関連ファイルをフィルタリングします。

          • 注意：ナレッジベース作成後にメタデータ抽出を設定することはできません。

          メタデータ設定

          [メタデータ抽出] を有効にし、設定 をクリックしてナレッジベース内のすべてのファイルに均一またはパーソナライズされたメタデータをアタッチします。チャンキング中に、各ファイルのメタデータはそれぞれのチャンクに統合されます。

          新しいメタデータテンプレート

          値の抽出方法

          • 定数：ナレッジベース内のすべてのファイルに固定の属性を添付します。

            前述の例のように、ナレッジベース内のすべてのファイルの著者が同じ場合、author という名前のフィールドに定数を設定できます。

          • 変数：ナレッジベース内の各ファイルに可変の属性を添付します。現在サポートされている属性は file_name と cat_name です。file_name を選択すると、Alibaba Cloud Model Studio はファイルの名前をそのメタデータに添付します (前述の例を参照)。cat_name を選択すると、Alibaba Cloud Model Studio はファイルを含むカテゴリの名前をファイルのメタデータに添付します。

          • LLM：システムはファイルの内容を設定されたエンティティ記述ルールと照合し、関連情報を抽出してメタデータ属性として添付します。

            前述の例のメタデータテンプレートに示されているように、各ファイルに表示されるすべての年をファイル属性として抽出するには、date という名前の LLM フィールドを設定できます。エンティティ記述は次のように設定されます：

            [エンティティ記述] 入力ボックスに 日付情報、年のみを抽出 と入力し、[OK] をクリックします。

          • 正規表現：システムは、ナレッジベース内の各ファイルのテキストコンテンツを指定された正規表現と照合します。式に一致するコンテンツが抽出され、ファイルのメタデータに属性として追加されます。

            上記の例のメタ情報テンプレートに示されているように、各ファイルに表示されるすべての参照 (参照が「《」で始まり「》」で終わる任意のテキストであると仮定) を抽出する必要がある場合、reference という名前の正規表現フィールドを設定できます。正規表現は次のように設定されます：

            正規表現の値を 《.*?》 に設定します。

          • キーワード検索：システムは各ファイルを検索して事前設定されたキーワードを探し、一致したキーワードをファイルのメタデータに属性として追加します。

            例えば、前述の例のメタデータテンプレートでは、事前設定されたキーワードは次のとおりです：

            ファイルには「融資」、「産業」、「グリーン」、「資本」のキーワードしか含まれていないため、システムはこれら 4 つのキーワードのみをファイルの keywords 属性の値として抽出します。

          取得に使用：有効にすると、メタデータフィールドと値がチャンクコンテンツとともにナレッジベースの取得に使用されます。無効にすると、チャンクコンテンツのみが取得に使用されます。

          モデル応答に使用：有効にすると、メタデータフィールドと値がチャンクコンテンツとともに応答生成のための入力として LLM に提供されます。無効にすると、チャンクコンテンツのみが応答生成のために LLM に提供されます。

          Excel ヘッダーの組み立て

          有効にすると、ナレッジベースはすべての XLSX および XLS ファイルの最初の行をヘッダーとして扱い、各チャンク (データ行) に自動的に追加します。これにより、LLM がヘッダーを通常のデータ行として誤って解釈するのを防ぎます。

          ナレッジベースに PDF などの他の形式のファイルが含まれている場合、この設定を有効にする必要はありません。

          チャンク化方法

          [スマートチャンキング (推奨)]。

          目的：ナレッジベースはファイルをチャンクに分割し、埋め込みモデルを使用してベクトルに変換します。チャンクとベクトルは、ベクトルデータベースにキーと値のペアとして保存されます。ナレッジベース作成後、各チャンクの具体的な内容 (テキストと画像) を表示または編集できます。

          チャンクのタイトル：本文コンテンツに加えて、各チャンクはチャンクリストに表示されるタイトルを持ち、チャンクを識別し、取得に含まれます。ナレッジベースは、インテリジェントドキュメント解析中に、検出した見出し階層に基づいてチャンクタイトルを自動的に生成します。これには、短いタイトル (title、チャンクが属する最も近い見出し) と階層タイトル (hier_title、最上位の見出しから現在の見出しまでの完全なパス、レベルは |> で結合、例：見出し 1|>見出し 2) の 2 つの形式があります。したがって、ドキュメントの見出し構造が明確であるほど (PDF、Word、または整形式のセクション見出しを持つ Markdown ファイルなど)、生成されるチャンクタイトルはより完全になります。データ行で分割され、通常はテキストの見出し階層がないテーブル形式のファイル (Excel など) の場合、チャンクタイトルは解析中に見出し階層が検出されるかどうかに依存し、検出されない場合は空になることがあります。チャンク管理でチャンクタイトルを手動で編集することもできます。

          注意：ナレッジベース作成後、ドキュメントのチャンク化設定を変更することはできません。不適切なチャンク化戦略は、取得と再現率のパフォーマンスを低下させる可能性があります。

          複数ターン対話の書き換え

          有効にすると、この機能は専用モデルを使用して、対話履歴を取り入れてユーザーのクエリを書き換えます。このプロセスにより、ナレッジベース取得のための完全で独立したクエリが作成されます。

          graph TD; A[クエリ] --> C{書き換えモデル}; B[履歴] --> C; C --> D[書き換えられたクエリ]; D --> E[KB 取得]

          埋め込みモデル

          埋め込みモデルは、元の入力プロンプトとナレッジテキストを数値ベクトルに変換し、システムがセマンティック類似度を計算できるようにします。 デフォルトの Official Vector (text-embedding-v2) モデルは、中国語と英語に加えて複数の言語をサポートし、結果のベクトルを正規化します。この設定は変更できません。

          のベクトル次元は固定されており、変更できません：

          • Official Vector (text-embedding-v2)：1,536 次元

          • qwen3-vl-embedding：視覚理解ユースケースが選択されると自動的に有効になります。視覚理解後の画像やリッチテキストドキュメントのベクトル生成をサポートします。

          graph TD; subgraph Input; A[プロンプト] --> C{埋め込みモデル} --> D[プロンプトベクトル]; end; subgraph ナレッジベース; B[ナレッジ] --> C --> E[ナレッジベクトル]; end; D --> F((類似度)); E --> F

          再ランキングモデル

          再ランキングモデルはナレッジベースの外部にあります。初期のベクトル検索からの候補チャンクを再ランキングし、類似度スコアが最も高い上位 K 個のチャンクを返します。推奨される公式再ランキングモデル qwen3-rerank (hybrid) は、セマンティックな関連性とテキストマッチングの特徴 (BM25 スコアなど) の両方を考慮して、正確なキーワードヒットが必要なクエリをより適切に処理します。セマンティックなランキングのみが必要な場合は、qwen3-rerank を選択してください。

          graph TD; A[ベクトル検索] --> B{候補}; B --> C[再ランキングモデル]; C --> D[上位 K 件の結果]

          再ランキングモデルのモード

          ナレッジベースを作成する際、再ランキングモデルには以下の 3 つのモードのいずれかを選択できます：

          • Q&A モード (デフォルト)：クエリと候補チャンク間の「Q&A 関連性」に基づいてスコアリングします。このモードは、ユーザーが完全な質問をし、チャンク内で回答を見つけることを期待するシナリオに適しています。

          • 類似度モード：クエリと候補チャンク間の「セマンティック類似度」に基づいてスコアリングします。このモードは、クエリとチャンクが類似した表現スタイルを持つシナリオに適しています。

          • カスタム詳細モード：最大 200 文字の自然言語の命令を入力して、再ランキングプロセスに影響を与えることができます。このモードは、特別なランキング要件があるシナリオに適しています。

          警告

          再ランキングモデルのモードはナレッジベース作成時にのみ選択でき、作成後に変更することはできません。この設定を行う前に、以下の制限事項にご注意ください：

          • ナレッジベースタイプの制限：この機能は、ドキュメント検索、データクエリ、およびオーディオ/ビデオ検索のナレッジベースにのみ適用されます。画像 Q&A ナレッジベースではサポートされていません。

          • ユースケースの制限：この機能は、基本的なドキュメント Q&A およびリッチテキスト返信のユースケースでのみサポートされています。視覚理解 (リッチテキストドキュメント) および高速 Q&A のユースケースではサポートされていません。

          類似度のしきい値

          このしきい値は、再ランキングモデルの結果からチャンクが再現されるために必要な最小類似度スコアを設定します。

          説明

          これはナレッジベースのデフォルトの類似度のしきい値です。ナレッジベースを特定の Alibaba Cloud Model Studio アプリケーションに関連付ける際、そのアプリケーション用に別のしきい値を設定でき、それはナレッジベースのデフォルトのしきい値を上書きします。

          このしきい値を下げるとより多くのチャンクが再現されますが、関連性の低いコンテンツが含まれる可能性があります。逆に、上げると再現されるチャンクは少なくなりますが、高く設定しすぎると関連するものが破棄される可能性があります。

          ヒットテストを使用して、再現率と精度のバランスを取るために類似度のしきい値を微調整できます。

          graph TD; A[再ランク付けされた結果] --> B{しきい値によるフィルタリング}; B --> |保持| C[最終結果]; B --> |破棄| D[破棄されたもの]

          最大再現数

          システムは、関連付けられたすべてのナレッジベースから入力に関連するチャンクを取得し、再ランキングモデルを使用してそれらを再ランキングし、最も関連性の高い上位 K 個のチャンクを選択して LLM の入力にコンテキストとして追加します。この K 値が最大再現数 (最大 20) であり、再ランキングモデルがコンテキストとして LLM に提供するチャンクの数を決定します。

          この値を増やすと LLM の応答精度が向上する可能性がありますが、LLM の入力トークン消費量も増加します。

          ベクトルストレージ

          テキストベクターを格納するベクトルデータベースを選択します。 Built-in ベクトルデータベースは、ナレッジベースの基本的な操作には十分です。 データベース管理、監査、モニタリングなどの高度な機能については、AnalyticDB for PostgreSQL (ADB-PG) を推奨します。

          AnalyticDB for PostgreSQL (ADB-PG) インスタンスを購入する際は、ベクトルエンジン最適化を有効にする必要があります。そうしないと、Alibaba Cloud Model Studio はそのインスタンスを使用できません。

       視覚理解の作成

       視覚理解 (リッチテキストドキュメント) ユースケースを選択すると、ナレッジベースは従来のチャンク化方法の代わりに、マルチモーダル埋め込みモデルを使用してドキュメントを視覚的に理解し、元のレイアウト情報を保持します。

       ファイル形式の制限

       [データを選択] タブのファイルアップロードエリアで、[フォーマット要件を表示] にカーソルを合わせると、要件が表示されます。

       インデックス設定の違い

       視覚理解ユースケースのインデックス設定は、基本的なドキュメント Q&A のものとは異なります：

       • 埋め込みモデル：qwen3-vl-embedding モデルが自動的に選択され、作成後に変更することはできません。

       • 複数ターン対話の書き換え：有効または無効にできます。

       • 類似度のしきい値：デフォルトは 0.20 です。

       • 最終的な最大再現数：デフォルトは 5 です。

       • チャンク化方法：視覚理解では、スマートチャンクやカスタムチャンクなどの従来のチャンク化方法は使用しません。代わりに、視覚インデックスに基づいてドキュメントページ全体を理解します。

       編集の制限

       • 埋め込みモデル (qwen3-vl-embedding) とベクトルストレージタイプ (組み込み) は、作成後に変更できません。

       • ナレッジベースのエディションは、1 日に 1 回しか変更できません。

   • データクエリ

     • ユースケース：

       • FAQ、製品データ、または人事情報のクエリ用アシスタントなど、構造化データ (事前定義されたテーブルスキーマに従って整理されたデータ) に基づく Q&A システムの構築に最適です。

       • データが完全な FAQ の質問と回答のペアで構成されている場合は、データクエリを選択します。例えば、Excel ファイルに 質問 と 回答 の 2 つの列が含まれている場合、データクエリナレッジベースは 質問 列を取得に使用し、回答 列を LLM の応答のコンテキストとして使用できます。

         この列固有の処理は、ドキュメント検索ナレッジベースタイプでは利用できません。

       • 複数の Excel ファイルをインポートできますが、それらのテーブルスキーマは同一である必要があります。

     • データソースの統合：ローカルの XLS または XLSX ファイルをアップロードできます。

       データクエリの作成

       1. データの選択：ナレッジベースのデータソース (ファイルまたはコンテンツ) を指定します。システムはソースコンテンツをナレッジベースにインポートして取得します。ローカルアップロードまたはクラウドインポートを使用できます。

          説明

          データソースはナレッジベース作成後に変更できません。1 つのナレッジベースは 1 つのデータソースのみをサポートします。

          • ローカルアップロード：コンピュータから XLS または XLSX 形式のデータテーブルをアップロードします。最初の行はテーブルヘッダーである必要があります。

          • クラウドインポート (データテーブルを選択)：Alibaba Cloud Model Studio のから既存のデータテーブルを選択します。

       2. インデックス設定：インポートされたデータの処理方法と保存方法を定義し、取得パフォーマンスに直接影響します。

          以下の設定のうち、AnalyticDB for PostgreSQL (ADB-PG) を使用したベクトルストレージのみが料金を発生させる可能性があります。他のすべての設定は無料です。

          取得と返信の設定

          • 検索すること: 有効にすると、ナレッジベースはこの列で取得を行います。

          • モデルを使用して生成: 有効にすると、このカラムの取得結果が、応答生成のコンテキストとして LLM に提供されます。 たとえば、「Name」、「Gender」、「Position」、「Age」の各カラムで 検索すること を有効にし、「Name」と「Position」のカラムでのみ モデルを使用して生成 を有効にした場合、ナレッジベースは 4 つすべてのカラムから取得します。 ただし、取得されたデータの「Name」と「Position」カラムのコンテンツのみが、その応答のコンテキストとして LLM に提供されます。

            「年齢」列はモデルの応答に有効になっていないため、このナレッジベースに関連付けられた LLM は「張三の年齢は？」という質問に答えることができません。

          複数ターン対話の書き換え

          有効にすると、この機能は専用モデルを使用して、対話履歴を取り入れてユーザーのクエリを書き換えます。このプロセスにより、ナレッジベース取得のための完全で独立したクエリが作成されます。

          graph TD; A[クエリ] --> C{書き換えモデル}; B[履歴] --> C; C --> D[書き換えられたクエリ]; D --> E[KB 取得]

          埋め込みモデル

          埋め込みモデルは、元の入力プロンプトとナレッジテキストを数値ベクトルに変換し、システムがセマンティック類似度を計算できるようにします。 デフォルトの Official Vector (text-embedding-v2) モデルは、中国語と英語に加えて複数の言語をサポートし、結果のベクトルを正規化します。この設定は変更できません。

          のベクトル次元は固定されており、変更できません：

          • Official Vector (text-embedding-v2)：1,536 次元

          • qwen3-vl-embedding：視覚理解ユースケースが選択されると自動的に有効になります。視覚理解後の画像やリッチテキストドキュメントのベクトル生成をサポートします。

          graph TD; subgraph Input; A[プロンプト] --> C{埋め込みモデル} --> D[プロンプトベクトル]; end; subgraph ナレッジベース; B[ナレッジ] --> C --> E[ナレッジベクトル]; end; D --> F((類似度)); E --> F

          再ランキングモデル

          再ランキングモデルはナレッジベースの外部にあります。初期のベクトル検索からの候補チャンクを再ランキングし、類似度スコアが最も高い上位 K 個のチャンクを返します。推奨される公式再ランキングモデル qwen3-rerank (hybrid) は、セマンティックな関連性とテキストマッチングの特徴 (BM25 スコアなど) の両方を考慮して、正確なキーワードヒットが必要なクエリをより適切に処理します。セマンティックなランキングのみが必要な場合は、qwen3-rerank を選択してください。

          graph TD; A[ベクトル検索] --> B{候補}; B --> C[再ランキングモデル]; C --> D[上位 K 件の結果]

          再ランキングモデルのモード

          ナレッジベースを作成する際、再ランキングモデルには以下の 3 つのモードのいずれかを選択できます：

          • Q&A モード (デフォルト)：クエリと候補チャンク間の「Q&A 関連性」に基づいてスコアリングします。このモードは、ユーザーが完全な質問をし、チャンク内で回答を見つけることを期待するシナリオに適しています。

          • 類似度モード：クエリと候補チャンク間の「セマンティック類似度」に基づいてスコアリングします。このモードは、クエリとチャンクが類似した表現スタイルを持つシナリオに適しています。

          • カスタム詳細モード：最大 200 文字の自然言語の命令を入力して、再ランキングプロセスに影響を与えることができます。このモードは、特別なランキング要件があるシナリオに適しています。

          警告

          再ランキングモデルのモードはナレッジベース作成時にのみ選択でき、作成後に変更することはできません。この設定を行う前に、以下の制限事項にご注意ください：

          • ナレッジベースタイプの制限：この機能は、ドキュメント検索、データクエリ、およびオーディオ/ビデオ検索のナレッジベースにのみ適用されます。画像 Q&A ナレッジベースではサポートされていません。

          • ユースケースの制限：この機能は、基本的なドキュメント Q&A およびリッチテキスト返信のユースケースでのみサポートされています。視覚理解 (リッチテキストドキュメント) および高速 Q&A のユースケースではサポートされていません。

          類似度のしきい値

          このしきい値は、再ランキングモデルの結果からチャンクが再現されるために必要な最小類似度スコアを設定します。

          説明

          これはナレッジベースのデフォルトの類似度のしきい値です。ナレッジベースを特定の Alibaba Cloud Model Studio アプリケーションに関連付ける際、そのアプリケーション用に別のしきい値を設定でき、それはナレッジベースのデフォルトのしきい値を上書きします。

          このしきい値を下げるとより多くのチャンクが再現されますが、関連性の低いコンテンツが含まれる可能性があります。逆に、上げると再現されるチャンクは少なくなりますが、高く設定しすぎると関連するものが破棄される可能性があります。

          ヒットテストを使用して、再現率と精度のバランスを取るために類似度のしきい値を微調整できます。

          graph TD; A[再ランク付けされた結果] --> B{しきい値によるフィルタリング}; B --> |保持| C[最終結果]; B --> |破棄| D[破棄されたもの]

          最大再現数

          システムは、関連付けられたすべてのナレッジベースから入力に関連するチャンクを取得し、再ランキングモデルを使用してそれらを再ランキングし、最も関連性の高い上位 K 個のチャンクを選択して LLM の入力にコンテキストとして追加します。この K 値が最大再現数 (最大 20) であり、再ランキングモデルがコンテキストとして LLM に提供するチャンクの数を決定します。

          この値を増やすと LLM の応答精度が向上する可能性がありますが、LLM の入力トークン消費量も増加します。

          ベクトルストレージ

          テキストベクターを保存するベクトルデータベースを選択します。Built-in のベクトルデータベースは、基本的なナレッジベースの操作には十分です。データベース管理、監査、モニタリングなどの高度な機能については、AnalyticDB for PostgreSQL (ADB-PG) をお勧めします。

          AnalyticDB for PostgreSQL (ADB-PG) インスタンスを購入する際は、ベクトルエンジン最適化を有効にする必要があります。そうしないと、Alibaba Cloud Model Studio はそのインスタンスを使用できません。

   • 画像 Q&A

     • ユースケース：

       • 製品発見アシスタントや視覚 Q&A アシスタントなど、画像による検索や画像とテキストによる検索をサポートするマルチモーダル検索アプリケーションの構築に最適です。

     • データソースの統合：ローカルの XLS または XLSX ファイルをアップロードできます。

       XLS および XLSX ファイルには、画像インデックスを構築するために公開アクセス可能な画像 URL が含まれている必要があります。詳細については、以下の作成手順をご参照ください。

       画像 Q&A の作成

       1. データの選択：取得のためにナレッジベースにインポートするデータソース (ファイルまたはコンテンツ) を指定します。ローカルアップロードまたはクラウドインポート (データコネクタから既存のデータテーブルを選択) を使用できます。

          説明

          データソースは作成後に変更できず、1 つのナレッジベースは 1 つのデータソースのみをサポートします。

          • ローカルアップロード：コンピュータから直接 XLS または XLSX 形式のデータテーブルをアップロードします。

            説明

            • フィールド要件：データテーブルには、画像インデックスを生成するために image_url 型のフィールドが少なくとも 1 つ含まれている必要があります。

            • 構築プロセス：ナレッジベースは image_url フィールドの画像 URL にアクセスし、視覚的特徴を抽出してベクトルに変換し、保存します。

            • 取得プロセス：ナレッジベースは、ユーザーがアップロードした画像から生成されたベクトルを、保存されている画像ベクトルと比較し、最も関連性の高いレコードを返します。

          • クラウドインポート (データテーブルを選択)：Alibaba Cloud Model Studio のアプリケーションデータから既存のデータテーブルを選択します。

       2. インデックス設定：インポートされたデータの処理方法と保存方法を定義し、取得パフォーマンスに直接影響します。

          以下の設定のうち、AnalyticDB for PostgreSQL (ADB-PG) を使用したベクトルストレージのみが料金を発生させる可能性があります。他のすべての設定は無料です。

          取得と返信の設定

          • 検索すること: 有効にすると、ナレッジベースはこの列を対象に取得を実行します。

          • モデルを使用して生成: 有効にすると、この列からの取得結果が、応答生成のためのコンテキストとして LLM に提供されます。 たとえば、「名前」、「性別」、「役職」、「年齢」の列に対して 検索すること を有効にし、「名前」と「役職」の列に対してのみ モデルを使用して生成 を有効にした場合、ナレッジベースは 4 つすべての列から取得します。 ただし、取得されたデータの「名前」と「役職」の列のコンテンツのみが、その応答のコンテキストとして LLM に提供されます。

            「年齢」列はモデルの応答に有効になっていないため、このナレッジベースに関連付けられた LLM は「張三の年齢は？」という質問に答えることができません。

          複数ターン対話の書き換え

          有効にすると、この機能は専用モデルを使用して、対話履歴を取り入れてユーザーのクエリを書き換えます。このプロセスにより、ナレッジベース取得のための完全で独立したクエリが作成されます。

          graph TD; A[クエリ] --> C{書き換えモデル}; B[履歴] --> C; C --> D[書き換えられたクエリ]; D --> E[KB 取得]

          埋め込みモデル

          埋め込みモデルは、元の入力プロンプト、ナレッジテキスト、および画像を数値ベクトルに変換して、類似性の比較を可能にします。詳細については、「テキストとマルチモーダルのベクトル化」をご参照ください。

          • qwen2.5-vl-embedding：単一モーダルまたは混合モーダルの入力を統一されたベクトルとして表現し、クロスモーダル検索や画像検索に適しています。例えば、シャツの画像と「若く見える同様のスタイルを見つけて」というテキストを入力すると、モデルは画像とテキストの指示を単一のベクトルに融合して理解できます。

          • multimodal-embedding-v1：各入力部分 (画像とテキスト) に対して個別のベクトルを生成します。

          • qwen3-vl-embedding：qwen2.5-vl-embedding のアップグレード版で、画像とテキストの融合理解とクロスモーダル検索の精度をさらに向上させます。

          再ランキングモデル

          再ランキングモデルはナレッジベースの外部にあります。初期のベクトル検索からの候補チャンクを再ランキングし、類似度スコアが最も高い上位 K 個のチャンクを返します。推奨される公式再ランキングモデル qwen3-rerank (hybrid) は、セマンティックな関連性とテキストマッチングの特徴 (BM25 スコアなど) の両方を考慮して、正確なキーワードヒットが必要なクエリをより適切に処理します。セマンティックなランキングのみが必要な場合は、qwen3-rerank を選択してください。

          graph TD; A[ベクトル検索] --> B{候補}; B --> C[再ランキングモデル]; C --> D[上位 K 件の結果]

          再ランキングモデルのモード

          ナレッジベースを作成する際、再ランキングモデルには以下の 3 つのモードのいずれかを選択できます：

          • Q&A モード (デフォルト)：クエリと候補チャンク間の「Q&A 関連性」に基づいてスコアリングします。このモードは、ユーザーが完全な質問をし、チャンク内で回答を見つけることを期待するシナリオに適しています。

          • 類似度モード：クエリと候補チャンク間の「セマンティック類似度」に基づいてスコアリングします。このモードは、クエリとチャンクが類似した表現スタイルを持つシナリオに適しています。

          • カスタム詳細モード：最大 200 文字の自然言語の命令を入力して、再ランキングプロセスに影響を与えることができます。このモードは、特別なランキング要件があるシナリオに適しています。

          警告

          再ランキングモデルのモードはナレッジベース作成時にのみ選択でき、作成後に変更することはできません。この設定を行う前に、以下の制限事項にご注意ください：

          • ナレッジベースタイプの制限：この機能は、ドキュメント検索、データクエリ、およびオーディオ/ビデオ検索のナレッジベースにのみ適用されます。画像 Q&A ナレッジベースではサポートされていません。

          • ユースケースの制限：この機能は、基本的なドキュメント Q&A およびリッチテキスト返信のユースケースでのみサポートされています。視覚理解 (リッチテキストドキュメント) および高速 Q&A のユースケースではサポートされていません。

          類似度のしきい値

          このしきい値は、再ランキングモデルの結果からチャンクが再現されるために必要な最小類似度スコアを設定します。

          説明

          これはナレッジベースのデフォルトの類似度のしきい値です。ナレッジベースを特定の Alibaba Cloud Model Studio アプリケーションに関連付ける際、そのアプリケーション用に別のしきい値を設定でき、それはナレッジベースのデフォルトのしきい値を上書きします。

          このしきい値を下げるとより多くのチャンクが再現されますが、関連性の低いコンテンツが含まれる可能性があります。逆に、上げると再現されるチャンクは少なくなりますが、高く設定しすぎると関連するものが破棄される可能性があります。

          ヒットテストを使用して、再現率と精度のバランスを取るために類似度のしきい値を微調整できます。

          graph TD; A[再ランク付けされた結果] --> B{しきい値によるフィルタリング}; B --> |保持| C[最終結果]; B --> |破棄| D[破棄されたもの]

          最大再現数

          システムは、関連付けられたすべてのナレッジベースから入力に関連するチャンクを取得し、再ランキングモデルを使用してそれらを再ランキングし、最も関連性の高い上位 K 個のチャンクを選択して LLM の入力にコンテキストとして追加します。この K 値が最大再現数 (最大 20) であり、再ランキングモデルがコンテキストとして LLM に提供するチャンクの数を決定します。

          この値を増やすと LLM の応答精度が向上する可能性がありますが、LLM の入力トークン消費量も増加します。

          ベクトルストレージ

          テキストベクトルを格納するベクトルデータベースを選択します。 Built-in ベクトルデータベースは、基本的なナレッジベースの操作には十分です。 データベース管理、監査、モニタリングなどの高度な機能については、AnalyticDB for PostgreSQL (ADB-PG) を推奨します。

          AnalyticDB for PostgreSQL (ADB-PG) インスタンスを購入する際は、ベクトルエンジン最適化を有効にする必要があります。そうしないと、Alibaba Cloud Model Studio はそのインスタンスを使用できません。

   要件に応じて、基本的なドキュメント Q&A、リッチテキスト返信 などのユースケースを選択できます。

ピーク時には、データ量によってはナレッジベースの作成に数時間かかることがあります。

ナレッジベースの更新

ナレッジベースへの変更は、参照しているすべてのアプリケーションとリアルタイムで同期されます。

ナレッジベースの編集

ナレッジベースを作成した後、変更できるのはナレッジベース名、ナレッジベースの説明、および類似度のしきい値のみです。他の設定を変更するには、ナレッジベースを削除して再作成する必要があります。この操作はコンソールでのみ利用可能で、対応する API はありません。

手順： [ナレッジベース] ページで、対象のナレッジベースを見つけ、そのカードにある アイコンをクリックし、次に 編集 をクリックします。 注意：ナレッジベースの構成は、1 暦日あたり 1 回のみ変更できます。 それ以降の試行はサイレントに拒否されます。

ナレッジベースの削除

ナレッジベースを削除する前に、公開済みの Model Studio アプリケーションすべてから関連付けを解除することを推奨します。

未公開のアプリケーションに関連付けられているナレッジベースは、削除できます。

構成の変更

Enterprise Edition は RCU を使用して高い QPS での高性能な取得を保証し、より大きなストレージ容量をサポートします。Standard Edition は、開発、テスト、または低同時実行数のシナリオに適しています。

RCU：Retrieval Compute Unit (RCU) は、ナレッジベースの取得同時実行数の指標です。1 RCU は、オンライン取得で約 50 QPS までをサポートします。RCU 数が多いほど、より高い同時実行数をサポートします。

• 注意：

  • Enterprise Edition のナレッジベースがプラットフォームストレージを使用している場合、Standard Edition にスペックダウンする前に、使用済みストレージ容量を 80 GB 未満に減らす必要があります。

    ナレッジベースからファイルやデータを削除することで、ストレージ容量を解放できます。

• 手順：

  1. ナレッジベース ページで、再設定するナレッジベースを見つけます。そのカードの アイコンをクリックし、[編集] をクリックします。

  2. ダイアログボックスで、現在のエディションに基づいてアクションを選択します：

     • Standard Edition：[スペックアップ] を選択します。

     • Enterprise Edition：[スペックダウン] または [RCU 数を変更] を選択します。

  3. 画面の指示に従ってプロセスを完了します。[OK] をクリックすると、新しい設定がすぐに有効になります。

ヒットテスト

ヒットテストを使用して、ナレッジベースが AI アプリケーションに正確なコンテキストを提供していることを確認します。このプロセスには、ユーザーのクエリのシミュレーション、取得結果の評価、類似度のしきい値の微調整が含まれます。

ヒットテストの再ランキングモデルは、Q&A モード (デフォルト)、ドキュメントの内容と完全に一致しないクエリ向けに設計されたモード、ドキュメントの内容と非常に類似したクエリに最適な類似度モード、およびカスタム詳細モードの 3 つのモードをサポートしています。同じクエリでも、選択したモードによってランキングスコアは大きく異なる場合があります。例えば、同じテキストセグメントが Q&A モードでは 47% のスコアになるかもしれませんが、類似度モードでは最大 69% になることがあります。

ヒットテストを使用すると、次のことができます：

• ナレッジベースが AI アプリケーションに効果的なコンテキストを提供していることを確認する

• 再現率と精度のバランスを取るために類似度のしきい値を微調整する

• ナレッジベースのコンテンツのギャップや品質問題を特定する