概述
在 ZGI 中，知识库是连接企业私有数据与大模型应用的核心模块。它通过 **RAG（检索增强生成）**把文档、FAQ、制度、产品资料、研究报告等非结构化内容转化为可检索、可召回、可治理的知识资产，让智能体和工作流能够基于可靠上下文回答问题，而不是只依赖模型自身记忆。核心价值 把企业文档变成可被 AI 检索和引用的上下文层，提升回答准确性、降低幻觉，并支持按工作区、文件夹、文档和分段进行持续维护。
核心概念
RAG 工作流程
准备数据
创建知识库并上传文档，或在已有知识库中继续追加资料。解析与清洗
系统对文件进行解析、清洗、切分，并生成索引任务。向量化与索引
使用配置的 Embedding 模型生成向量，写入向量索引；启用 GraphFlow 时还会进入抽取、对齐、入库等图谱索引流程。检索与重排
用户提问后，系统按检索配置召回候选片段，可结合 Rerank 模型提升相关性排序。生成回答
智能体或工作流将检索到的上下文传递给 LLM，生成有依据的回答。支持的能力
如何构建知识库
- 进入控制台的「知识库」模块，点击新建知识库。
- 填写名称、描述、所属工作区和图标，选择数据来源类型。
- 配置索引方式、Embedding 模型和检索参数；如需实体关系检索，可开启 GraphFlow。
- 上传文件或导入已有文件，等待解析、清洗、切分、索引完成。
- 进入文档详情页检查分段质量，必要时编辑分段、补充分段问题或子分段。
- 在「召回测试」中输入真实业务问题，检查 Top K、阈值和 Rerank 配置是否符合预期。
- 将知识库接入智能体或工作流，在应用中作为上下文检索来源使用。
维护与优化建议
- 按业务主题拆分知识库，避免把完全无关的知识混在同一索引中
- 优先清理源文档中的目录、页眉页脚、重复免责声明和无效表格，减少噪声
- 对政策、产品规格、价格、服务条款等高时效内容建立更新责任人，定期归档旧文档
- 使用分段问题增强 FAQ、规章制度、产品说明等固定问答场景
- 通过批量测试覆盖高频问题、边界问题和同义问法，避免只凭单个测试样本判断效果
- 在命中结果过宽时提高分数阈值或收窄知识库；在召回不足时降低阈值、增加 Top K 或优化分段
知识图谱增强检索
传统 RAG 的天花板是”语义相似”——向量检索只能找到措辞类似的段落。但企业场景中，大量问题是关联型的：A 公司的合同 → 条款 → 违约金 → 关联人。这需要的不是语义匹配，而是关系推理。 ZGI 在文档导入时自动抽取实体（公司、人名、合同号、金额、日期）并建立关系边，存入图数据库。当用户查询涉及多实体关联时，图谱路径直接给出完整、准确的结果。应用场景
ZGI 知识库的优势
- 从知识库、文档、分段到子分段的多层级治理，适合长期运营
- 检索配置可视化，支持语义检索、图谱检索、阈值控制和 Rerank
- 与模型网关联动，可统一管理 Embedding、Rerank、LLM 等模型依赖
- 支持权限控制，知识库查看、管理、召回测试、文件夹管理和锁定可按角色授权
- 测试闭环完整，支持单次测试、批量测试、测试历史和报告，便于上线前评估质量