全部產品
Search
文件中心

Tablestore:知識儲存概覽

更新時間:Oct 22, 2026

知識儲存服務把業務文檔轉換為可供 RAG 應用檢索的切片。服務託管文檔解析、切片、Embedding、索引和檢索,應用只需維護文檔並把召回結果交給大模型。

什麼是知識儲存服務

知識儲存服務是基於阿里雲Table Store(Tablestore)構建的全託管 Serverless RAG 服務,無需部署和維護任何物理伺服器或基礎設施。使用者通過控制台、SDK 或 CLI 匯入文件後,系統自動完成解析、切片、向量化與索引構建,檢索時執行混合檢索返回相關 Chunk;所有資料存放區在使用者帳號的 OSS 和 Tablestore 內,服務不持有客戶資料,儲存與計算分離、獨立計費。在典型的 AI 應用鏈路中,知識儲存服務處於“知識管理與檢索”環節。

如需瞭解知識儲存服務的計費請參見產品計費;如需快速體驗知識儲存服務,請參見構建第一個知識庫。

說明

知識儲存服務當前支援地區:華北2(北京)、華東2(上海)、華東1(杭州)、華南1(深圳)、中國香港、新加坡。可就近選擇地區接入。

功能優勢

  • Serverless 與彈性

    全託管 Serverless 架構,隨用隨付零元起步,儲存與計算獨立計費;單個知識庫預設最大支援 1000 萬個文檔。底層基於Table Store的分布式架構,可隨業務規模擴充;具體限制參見使用限制。

  • 全託管知識庫流水線

    文檔上傳後,系統自動完成文檔解析、智能切塊、Embedding 向量化、索引構建等全部處理流程。當前已支援 PDF、Word(doc/docx)、Excel(xls/xlsx)、PowerPoint(ppt/pptx)、純文字(txt)、Markdown(md)等主流文檔格式。使用者無需自行搭建文檔處理 Pipeline,無需管理 Embedding 模型的部署和營運,也無需手動構建和維護向量索引。整個知識庫的生命週期管理都由服務端自動完成。

  • 資料自持,完全可控

    整個流程中的未經處理資料、中間資料和結果資料都儲存在使用者自己的雲端服務帳號(OSS Bucket或Tablestore執行個體)內。服務本身不持有或轉存任何使用者資料。這種架構確保了資料的所有權和安全性完全掌握在客戶手中,滿足金融、政務、醫學等對資料合規性要求極高的行業需求。

  • 靈活定製,精準召回

    支援向量檢索與全文檢索索引雙通道混合召回(語義相似性 + 關鍵詞精確匹配),內建 RRF、加權融合和模型 Rerank 三種重排策略,可按情境選用。從 Embedding 模型選擇(內建百鍊或自訂)、檢索策略配置、中繼資料過濾條件、到 Chunk 級內容管理,核心模組均可通過介面和參數精細調控。

典型應用情境

應用情境

說明

企業知識問答系統

將企業內部的產品文檔、技術手冊、FAQ、規章制度等匯入知識庫,結合 LLM 構建智能問答系統。員工或客戶提出問題時,系統從知識庫中檢索最相關的內容片段,交由 LLM 產生準確、有據可查的回答。適用於客服、HR、法務、IT 營運等多個部門。

文檔智能搜尋與摘要

替代傳統的關鍵詞搜尋引擎,利用向量檢索理解使用者的搜尋意圖,返回語義最相關的文檔片段。配合中繼資料過濾(按時間、分類、作者等維度篩選),實現精準的文檔檢索體驗。

多租戶 SaaS 知識庫

利用 Subspace 機制,在同一個知識庫內為不同租戶(使用者、部門、客戶)隔離資料。每個租戶只能檢索到自己 Subspace 下的文檔,天然實現資料隔離,無需為每個租戶建立獨立的知識庫,大幅降低管理複雜度和成本。

RAG Pipeline 整合

作為 RAG 架構中的檢索層,與 LangChain、LlamaIndex 等主流 AI 框架組成。使用者將文檔灌入知識庫,在推理階段調用 Retrieve 介面擷取相關上下文,拼接到 Prompt 中送入 LLM,實現知識增強產生效果。

合規文件管理與審計

金融、醫學、政務等行業的合規文件管理情境。所有資料存放區在客戶自己的雲賬戶內,滿足資料不出域的合規要求。通過中繼資料(metadata)標註文檔的分類、版本、有效期間等屬性,結合 Metadata Filter 實現精準的合規文檔檢索。

說明
  • 文檔匯入後的解析、切片和索引構建為非同步且由系統自動完成,對即時性或切片策略有嚴格自訂要求的情境需評估。

  • 純結構化資料查詢建議使用寬表模型或關係型資料庫,即時資料流式資料索引建議直接使用 Tablestore 多元索引。

名詞解釋

知識庫的資料按四層實體組織:

實體

說明

KnowledgeBase

知識庫,每個知識庫對應文檔、切片和索引資料。單個知識庫預設最多儲存 1000 萬個文檔。

Document

文檔記錄,關聯 OSS 檔案,記錄文檔狀態和中繼資料。

Chunk

文檔切片,儲存向量資料和原文內容,是檢索的最小單元。

Index

服務託管的向量和全文索引,用於檢索候選切片。

系統自動在 Tablestore 中建立對應的資料表:

  • Document 表:使用{知識庫名}_{知識庫 id}

  • Chunk 表:使用 {知識庫名}_{知識庫 id}_chunk

  • Index 表:使用 {知識庫名}_{知識庫 id}_index

知識庫資料來源配置

知識庫的資料來源為阿里雲Object Storage Service。不論通過哪種方式上傳,文檔的未經處理資料都儲存在自己的 OSS Bucket 內。

知識庫需要對 OSS Bucket 進行讀寫操作:讀取原始文檔進行解析和切片,將解析過程的中間結果寫回 OSS。

支援以下三種方式將文檔匯入知識庫:

  • 上傳本地檔案:指定本地檔案或目錄,SDK 自動上傳到 OSS 後添加到知識庫。如果是目錄,會遞迴遍曆所有檔案。

  • 添加 OSS 檔案:檔案已在 OSS 上時,直接指定 OSS 路徑添加到知識庫,省去上傳步驟。

  • OSS 目錄大量匯入 :指定 OSS 目錄路徑,系統自動遞迴掃描目錄下所有檔案。支援通過 inclusionFilters 和 exclusionFilters 按檔案名稱模式過濾。

每種方式的詳細用法參見文件管理。

知識庫 Embedding 配置

Embedding 配置決定了文檔切片如何被向量化,在建立知識庫時指定。

配置項

說明

provider

模型提供方。bailian(百鍊內建)或 custom(自訂)

model

模型名稱。百鍊支援 text-embedding-v3、text-embedding-v4

dimension

向量維度。例如 text-embedding-v4 對應 1024 維

url

僅 custom 模式需要,需提前聯絡Table Store註冊有效 URL

apiKey

僅 custom 模式需要

不傳 embeddingConfiguration 時,系統預設使用百鍊 text-embedding-v4 模型(1024 維),適用於大多數情境。

重要

Embedding 配置建立後不可修改。如需更換模型或維度,必須刪除並重建知識庫。建立前應充分評估模型選型。

選型建議:

  • 通用中英文情境:推薦 text-embedding-v4(1024 維),在語義理解和效能之間取得較好平衡。

  • 已有自研或第三方 Embedding 服務:使用 custom 模式接入,保持技術棧統一。

  • 維度越高語義表達越豐富,但儲存和計算成本也越高。1024 維是大多數情境的推薦選擇。

知識庫檢索策略配置

調用 Retrieve 介面時,檢索配置(retrievalConfiguration)按以下優先順序確定:

優先順序

來源

說明

1(最高)

Retrieve 介面參數

本次請求中傳入的配置,僅對當次生效

2

知識庫層級配置

建立知識庫時設定,可通過 UpdateKnowledgeBase 修改

3(最低)

系統預設值

向量 + 全文混合檢索,WEIGHT 加權融合(向量 0.7 : 全文 0.3)

檢索類型

類型

說明

適用情境

DENSE_VECTOR

向量檢索,基於語義相似性

用自然語言描述需求,需要理解語義

FULL_TEXT

全文檢索索引,基於關鍵詞匹配

輸入精確關鍵詞、專有名詞、編號

建議同時開啟兩種檢索類型,通過 Rerank 機制融合結果。

Rerank 排序策略

類型

說明

適用情境

RRF

按排名倒數加權融合,無需額外模型調用

通用情境,延遲低

WEIGHT

按比例加權向量與全文檢索索引得分

需要精細控制兩路檢索的貢獻比例

MODEL

調用 Rerank 模型對候選結果重排序

對排序品質要求高,可接受額外延遲

檢索策略的詳細配置和調優方法參見檢索和排序。

多租戶管理

Subspace 是知識庫內的資料隔離分區,適用於在同一知識庫內按使用者、部門或租戶隔離資料的情境。建立知識庫時設定 "subspace": true 開啟。

核心規則:

  • 開啟 Subspace 後,所有文檔操作(添加/查詢/刪除/列出)和檢索都必須 指定 subspace 欄位,否則報錯。

  • Retrieve 支援同時查詢多個 Subspace(傳入列表),最多 32 個。

  • Subspace 名稱最大長度 128 位元組。

  • Subspace 開關建立後不可修改。

在企業環境中,同一部門的每位員工有各自的文檔。部門管理員建立一個知識庫並開啟 Subspace,為每位員工分配一個獨立的 Subspace(如 employee_zhangsan、employee_lisi)。每位員工的文檔互不可見,管理員統一管控知識庫配置。當需要跨員工檢索時,在 Retrieve 時傳入多個 Subspace 即可聯合檢索。

Subspace 與多知識庫的選擇

維度

Subspace

多知識庫

隔離粒度

同一知識庫內的邏輯分區

完全獨立的知識庫

Embedding 配置

共用同一配置

每個知識庫獨立配置

檢索範圍

可跨 Subspace 聯合檢索

只能在單個知識庫內檢索

管理成本

低(一個知識庫管理員所有租戶)

高(需管理多個知識庫)

適用情境

同質化資料的多租戶隔離

不同業務域、不同 Embedding 需求