RAG 问答与知识库

RAG（检索增强生成）先从站内归档文章检索材料，再让文本生成式 AI 基于这些材料回答问题。该功能需要登录，并依赖部署者配置 Meilisearch、向量数据库和 LLM 服务。

使用步骤

1. 通过 CP OAuth 登录。
2. 可选：在文章页点击“加入知识库”，最多加入 10 篇。
3. 打开“RAG 问答”。
4. 输入问题；需要限定材料时勾选“使用知识库强制召回”。
5. 提交后等待工作流完成。
6. 阅读回答，并打开来源文章核对。

Ctrl + Enter 可以提交问题。

工作流阶段

界面会展示六类进度：

1. 规划检索词：AI 生成多个检索查询；
2. 关键词检索：Meilisearch 返回候选文章；
3. 向量生成：为查询生成嵌入向量；
4. 向量检索：从摘要与正文分块向量中召回文章；
5. 构建上下文：合并、截断并整理检索结果与知识库；
6. 生成回答：LLM 基于上下文生成最终文本。

当前前端请求最多使用 10 篇文章和约 20,000 字符上下文。部署配置可能进一步限制模型、并发或检索数量。

本地知识库

知识库条目只保存文章 ID、标题和加入时间，并存放在当前浏览器本地。勾选强制召回时，这些文章 ID 会随本次 RAG 请求发送给服务器。

• 最多 10 篇；
• 只接受保存站文章；
• 清理浏览器数据会丢失；
• 加入知识库不会复制或修改文章；
• 知识库不在多设备间自动同步。

正确理解回答

RAG 不能证明回答正确。以下情况都可能发生：

• 检索没有命中关键文章；
• 归档版本已经过时；
• 上下文被长度限制截断；
• 模型错误理解 Markdown、公式或代码；
• 模型生成来源中不存在的结论。

因此回答下方的来源文章比生成文本更重要。涉及算法正确性、比赛规则、安全、法律或个人权益时，必须回到原文和权威来源复核。

隐私提示

问题文本、召回文章内容和必要的上下文会发送到部署者配置的模型提供方。不要提交密码、Token、Cookie、未公开题目、个人隐私或其他不应交给第三方模型处理的信息。