很多人对AI知识库的想象是这样的，他们以为只需将所有资料一股脑地拖进AI客户端，比如 Cherry Studio 内。
图片
这样，AI就会认真阅读所有内容，并自动生成完美结论。
然而，实际体验后，许多人发现AI知识库的效果远没有想象中理想，经常遇到各种奇怪的问题。
本文将从知识库的原理出发，探讨AI知识库的技术局限。同时，我会介绍一些进阶方案，例如引入重排序模型、数据库（mcp server），以及使用超大上下文模型等方法。
目前，大模型知识库最常见的技术是RAG（检索增强生成）。
当用户将资料加入知识库时，程序会先将其拆分为多个文本块。
图片
随后，使用嵌入模型将这些文本块向量化。
向量化指将拆分后的文本转化为一组超长的数字序列。
图片
以我自己的知识库为例，这里用到的嵌入模型输出的是1024维：
图片
也就是说，每个文本块都被转换成一个由1024个数值组成的向量：
图片
之后，程序会将向量及其对应文本存储到向量数据库中。
图片
接下来，当用户发起提问时，问题本身也会被向量化，转化为一个1024维向量。
图片
然后，系统会将用户问题的向量与数据库中的所有向量进行相似度计算，这一过程完全基于向量的数学运算。
图片
最终，知识库会选出与问题最相似的几个原文片段，将它们与用户的问题一同发送给大模型，由大模型进行归纳总结。
图片
从这个流程可以看到，在RAG架构中，大模型主要负责归纳总结，答复质量在很大程度上取决于文本块的检索精度。事实上，RAG系统普遍存在切片粗暴、检索不精准、缺乏整体视角等典型问题。
