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。
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。 |
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}_chunkIndex 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 |
| 模型提供方。 |
| 模型名稱。百鍊支援 |
| 向量維度。例如 |
| 僅 |
| 僅 |
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。
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 |
| 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 |
| 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 |