Alibaba Cloud Model Studio:ナレッジベース

エージェントアプリケーション

1. [アプリセンター] ページに移動し、エージェントアプリケーションを見つけ、そのカードの 設定 をクリックし、アプリケーションのモデルを選択します。

2. [ドキュメントナレッジベース] の横にある [+] アイコンをクリックして、先ほど作成したナレッジベースを追加します。類似度のしきい値と重みはデフォルト値のままでかまいません。

   (オプション) 類似度のしきい値：取得結果のフィルタリング

   ナレッジベースはセマンティック検索を使用して、キーワードが一致しなくても、非公開データやファイル内の概念的に関連するテキストを検索します。

   例えば、ユーザーが次のクエリを送信したとします：写真撮影に最適な Alibaba Cloud のスマートフォンはどれですか？

   実際の回答 (例：「Qwen Vivid 7...」) には、クエリのキーワードは含まれていません。

   以下の表では、キーワード類似度は Jaccard 係数 を用いて計算され、セマンティック類似度は text-embedding-v4 モデルによって計算された コサイン類似度

   取得されたテキスト	キーワード類似度	セマンティック類似度
   Qwen Vivid 7：スマート写真撮影の新しい体験	0	0.43
   Alibaba Cloud Model Studio Ace Ultra：ゲーマーのための選択	0.17	0.32
   Alibaba Cloud Model Studio Flex Fold+：折りたたみ画面の新時代	0.25	0.24

   類似度のしきい値： この値より高いセマンティック類似度スコアを持つテキストのみが取得されます。このしきい値を高く設定しすぎると、関連するテキストが除外される可能性があります。

   (オプション) 重み：複数のナレッジベースからの取得順序への影響

   エージェントアプリケーションが複数のナレッジベースに関連付けられている場合、情報源の重要度に基づいてそれぞれに重みを割り当てることができます。複数ソースからの取得中に、異なるナレッジベースのチャンクが同じ類似度スコアを持つ場合、システムはより高い重みを持つナレッジベースのチャンクを優先します。

   • 主な制限： 重みは同じタイプのナレッジベース間でのみ有効です。例えば、ドキュメント検索ナレッジベースの重みは、データクエリナレッジベースの取得順序には影響しません。逆も同様です。
   • 仕組み： システムはまず、各ナレッジベースのコンテンツとユーザークエリとの関連性を計算し、最も関連性の高いチャンクを特定します。次に、各チャンクの類似度スコアに、対応するナレッジベースの重みを掛け合わせます。これらの重み付けされたスコアに基づいて再ランキングした後、結果は LLM にコンテキストとして提供され、重み付けされたスコアが高いチャンクが最終的な回答で優先されるようにします。

3. 右側の入力ボックスに質問を入力します。LLM はナレッジベースを使用して回答を生成します。

   例：「3,000 元以内で最高のカメラを持つ Alibaba Cloud Model Studio スマートフォンを選ぶのを手伝ってください。」

   バッチ生成戦略： エージェントアプリケーションにナレッジベースから大量のコンテンツ (クイズの質問や要約など) を生成させる必要がある場合、1 回の LLM 応答の出力長が限られているため、1 回のリクエストでは要求された数より少ない項目しか返されないことがあります。リクエストを約 30 項目ずつの複数のバッチに分割し、複数ターンにわたって完了させてください。例えば、最初に「ナレッジベースに基づいて質問 1-30 を生成」と送信し、そのバッチが完了したら「続けて質問 31-60 を生成」と送信します。測定された参考値：100 問のリクエスト 1 回では約 24 問しか返されませんでしたが、30 問ずつの 3 バッチでは各バッチで 30 問すべてが返され、合計 90 問になりました。実際に生成される項目数は、選択したモデルやコンテンツの長さによって異なるため、ご自身のテスト結果を最終的な参考としてください。

ワークフローアプリケーション

1. [アプリセンター] ページに移動し、目的のワークフローアプリケーションを見つけ、そのカードで [設定] をクリックします。 [ナレッジベース] ノードをキャンバスにドラッグし、開始 ノードの後に接続します。

2. ナレッジベースノードを設定します：

   1. 入力: content 変数の右側にある [値] ドロップダウンリストから、Built-in Variable [クエリ] を選択します。ドロップダウンリストはツリー構造になっているため、クエリ変数を選択するには、「組み込み変数」 グループを展開する必要がある場合があります。

   2. ナレッジベースの選択：ノードのナレッジベースは 2 つの方法で選択できます。

      • 固定ナレッジベースの選択：前のステップで作成したナレッジベースをドロップダウンメニューから選択します。すべての呼び出しで同じナレッジベースが必要な場合、この方法を使用します。
      • 動的選択：CodeList 変数を設定して、上流ノードの出力に基づいてナレッジベースを動的に指定します。これは、異なる入力に基づいて異なるナレッジベースを取得する必要があるシナリオに適しています。

   3. TopK の設定 (オプション)：この設定は、下流ノード (通常は LLM ノード) に返されるチャンクの数を決定します。

      この値を増やすと、通常は LLM の回答の精度が向上しますが、LLM の入力トークンの消費量も増加します。

3. [LLM] ノードをキャンバスにドラッグし、ナレッジベースノードの後、[終了] ノードの前に接続します。

4. LLM ノードを設定します：

   1. モデル設定 リストから、ノードのモデルを選択します。

   2. プロンプト に、LLM にナレッジベースを使用するように指示するプロンプトを入力します。「/」を入力して result 変数を挿入します (これはナレッジベースの取得で返された結果を表します)。

      例えば、プロンプトのタイトルに # ナレッジベース、本文に 以下の資料 {ナレッジベース 1/result} を覚えておいてください。質問に答えるのに役立つかもしれません。 と入力します。

5. 終了ノードを設定します：/ を入力し、[LLM 1] > [result] を選択して LLM からの結果を出力します。

6. ページの右上隅にある テスト をクリックし、右側の入力ボックスに質問を入力します。LLM はナレッジベースを使用して回答を生成します。

   例：「3,000 元以内で最高のカメラを持つ Alibaba Cloud Model Studio スマートフォンを選ぶのを手伝ってください。」

外部アプリケーション

Alibaba Cloud Model Studio 内でアプリケーションを構築するだけでなく、Model Studio SDK を使用して、外部の AI アプリケーションのためにナレッジベースからデータを取得することもできます。

詳細な統合手順については、「ナレッジベース API ガイド」をご参照ください。

ナレッジベースの作成

ナレッジベースの作成 をクリックすると、、基本情報の提供とナレッジベースタイプの選択、データソースの設定、およびインデックスパラメーターの設定という 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 基本的なドキュメント Q&A、リッチテキスト応答 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することはできません。

   • ドキュメント検索
     • ユースケース：
       • 社内ドキュメント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、画像を含むことができる情報です。
       • ご利用のファイルにアプリケーションが応答に含めたい画像が含まれている場合は、[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： ご利用のコンピューター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、[解析メソッド] の選択方法を確認してください。

            解析メソッド

            ニーズに応じて解析ストラテジーを設定してください。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を解析しません。これは最速の解析メソッドです。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 分以内で解析されます。
            • 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して抽出し、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。このメソッドは比較的高速です。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の解析には通常 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 分以内に解析されます。

          • 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概要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、製品名をすべてのチャンクに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際、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。チャンク化の際に、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

          値の抽出メソッド

          • 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アタッチします。

            前述の例で示したように、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アタッチします。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アタッチします (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アタッチします。

          • LLM： システムはファイルの内容を設定された [エンティティの説明] 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アタッチします。

            前述の例のメタデータテンプレートで示したように、各ファイルに現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。エンティティの説明は次のように設定されます：

            [エンティティの説明] 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で示したように、各ファイルに現れるすべてのリファレンス (リファレンスが「《」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プリセット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、プリセット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共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。

          モデルの返信に使用：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共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誤解釈するのを防ぎます。

          範囲： この設定は、ナレッジベース内の XLSX および XLS テーブルファイルにのみ適用され、各ファイルの最初の行をヘッダーとして扱います。PDF、Word、Markdown などの非テーブル形式には適用されません。この設定はナレッジベースの作成時 (ドキュメントのチャンク化中) に有効になり、チャンク化戦略と同様に、ナレッジベース作成後に変更することはできません。

          処理ロジック： ナレッジベースはテーブルファイルをデータ行ごとにチャンク化します。最初の (ヘッダー) 行以外の各行が個別のチャンクになります。この設定を有効にすると、ヘッダー行がすべてのデータ行チャンクに自動的に追加されるため、各チャンクは列名 (ヘッダー) と行データの両方を持つことになります。これにより、LLM は各フィールドをその列名に基づいて正しく解釈でき、ヘッダー行はもはや通常のデータ行として処理されなくなり、取得や Q&A 中のセマンティックな混乱を避けることができます。

          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や、テーブルファイルにヘッダー行が含まれていない場合は、この設定を有効にする必要はありません。

          チャンク化メソッド

          [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。

          チャンクタイトル： 各チャンクは、本文コンテンツに加えて、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 (例えば、整形式のセクション見出しを持つ PDF、Word、Markdown ファイル)、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、取得および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。

          複数ターン会話の書き換え

          有効にすると、この機能は専用モデルを使用して、会話履歴を取り込むことで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。

          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 [公式ベクトル] (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。

          ベクトル次元は固定されており、変更できません：

          • 公式ベクトル (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。視覚理解後の画像および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。

          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。初期のベクトル取得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。推奨される公式リランカー qwen3-rerank (ハイブリッド) 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。

          再ランキングモデルモード

          ナレッジベースを作成する際、再ランキングモデルに対して以下の 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、チャンク内で答え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、および音声/ビデオ検索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 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。

          注記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オーバーライドします。

          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。

          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、LLM 入力にコンテキストとして追加するために最も関連性の高い上位 K 個のチャンクを選択します。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 LLM にコンテキストとして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、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。

       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メソッドの代わりに、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

       [データの選択] タブのファイルアップロードエリアで、[フォーマット要件の表示] 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。
       • 複数ターン会話の書き換え： 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。
       • チャンク化メソッド： 視覚理解では、インテリジェントチャンク化やカスタムチャンク化などの従来のチャンク化メソッドは使用しません。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、作成後に変更することはできません。
       • 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。

          注記データソースはナレッジベース作成後に変更することはできません。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： ご利用のコンピューターから 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 (データテーブルの選択)： Alibaba Cloud Model Studio 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: 有効にした場合、この列からの取得結果は、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、「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」列がモデルの応答で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？」という質問には回答できません。

          複数ターン会話の書き換え

          有効にすると、この機能は専用モデルを使用して、会話履歴を取り込むことで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。

          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 [公式ベクトル] (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。

          ベクトル次元は固定されており、変更できません：

          • 公式ベクトル (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。視覚理解後の画像および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。

          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。初期のベクトル取得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。推奨される公式リランカー qwen3-rerank (ハイブリッド) 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。

          再ランキングモデルモード

          ナレッジベースを作成する際、再ランキングモデルに対して以下の 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、チャンク内で答え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、および音声/ビデオ検索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 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。

          注記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オーバーライドします。

          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。

          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、LLM 入力にコンテキストとして追加するために最も関連性の高い上位 K 個のチャンクを選択します。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 LLM にコンテキストとして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。

   • 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取得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。

          注記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： ご利用のコンピューターから直接 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。

            注記

            • 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 タイプ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 (データテーブルの選択)： 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: 有効にした場合、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、この列からの取得結果が、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" の列に対して 検索すること を有効にし、"Name" と "Position" 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うち "Name" と "Position" 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」列はモデル応答に対して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「田中太郎の年齢は？」という質問に答えることができません。

          複数ターン会話の書き換え

          有効にすると、この機能は専用モデルを使用して、会話履歴を取り込むことで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。

          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、類似度比較を可能にします。詳細については、「テキストおよびマルチモーダルベクトル化」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、クロスモーダル取得や画像検索に適しています。例えば、シャツの画像と「もっと若々しく見える似たスタイルを探して」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命令を 1 つ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取得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。初期のベクトル取得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。推奨される公式リランカー qwen3-rerank (ハイブリッド) 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。

          再ランキングモデルモード

          ナレッジベースを作成する際、再ランキングモデルに対して以下の 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、チャンク内で答え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、および音声/ビデオ検索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 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。

          注記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オーバーライドします。

          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。

          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、LLM 入力にコンテキストとして追加するために最も関連性の高い上位 K 個のチャンクを選択します。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 LLM にコンテキストとして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、データ量に応じて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にリアルタイムで同期されます。

ナレッジベースの編集

ナレッジベース作成後、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：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。その後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、公開済みのすべての Model Studio アプリケーション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 での高い取得パフォーマンスを保証し、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： 取得コンピューティングユニット (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、より大きな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、次に [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: [アップグレード] を選択します。
     • Enterprise Edition：[スペックダウン] または [RCU 数の変更] 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、新しい構成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)、類似度モード、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。Q&A モードは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ており、類似度モードはドキュメントの内容と非常に類似したクエリに最適です。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% のスコアでも、類似度モードでは 69% に達することがあります。

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

ユースケース

• シナリオ 1：製品価格のクエリ

テスト入力：「Model Studio スマートフォンの価格はいくらですか？」
期待される結果：価格情報を含む関連テキストセグメントを取得する。

• シナリオ 2：技術的な問題のトラブルシューティング

テスト入力：「デバイスが Wi-Fi に接続できない場合はどうすればよいですか？」
期待される結果：Wi-Fi 接続問題のトラブルシューティングに関する関連テキストセグメントを取得する。

• シナリオ 3：視覚理解による取得

視覚理解ナレッジベースは、テキストのみ、画像のみ、画像+テキストの 3 つのクエリモードをサポートします。
モード 1 (テキストのみ)：「Object Storage Service」と入力して、ドキュメントや画像から関連セグメントを取得します。
モード 2 (画像のみ)：製品のスクリーンショットをアップロードします。システムは視覚理解を使用して、意味的に類似したセグメントをマッチングします。
モード 3 (画像+テキスト)：画像をアップロードし、説明テキストを入力します。この組み合わせクエリにより、取得の関連性が向上します。

• シナリオ 4：高速 Q&A

高速 Q&A ナレッジベースは、テキストのみのクエリをサポートし (画像入力はサポートされていません)、構造化ドキュメントからの高速取得に最適です：
テスト入力：「Qwen Pro 8 の価格はいくらですか？」
期待される結果：価格情報を含む関連 FAQ セグメントを迅速に取得します。

手順

1. ナレッジベース ページで、対象のナレッジベースのカードにある 命中テスト をクリックします。

2. テストインターフェイスで、質問 (できればユーザーからよくある質問) を入力し、取得結果を確認します。

   • 取得結果： このセクションには、現在のテストの取得結果が類似度の降順で表示されます。任意のテキストセグメントをクリックして、その内容を表示します。
   • アイコン： 画像 Q&A ナレッジベースの場合、システムはまず入力画像をベクトルに変換し、関連セグメントを取得します。次に、これらのセグメントを質問と共に LLM に送信して回答を生成します。ドキュメント検索、データクエリナレッジベースの場合、システムはアップロードされた画像を取得に使用しません。ただし、「視覚理解」用に設定されたドキュメント検索ナレッジベースは、画像を取得に使用し、テキストのみ、画像のみ、および画像+テキストのクエリモードをサポートします。この組み合わせクエリにより、取得の関連性が向上します。

3. 関連するテキストセグメントが取得されていることを確認します。そうでない場合は、類似度のしきい値を調整し、前のステップを繰り返します。

4. リコール履歴の表示 をクリックして、さまざまな しきい値設定 での 取得パフォーマンス を比較します。