知识库，没那么简单
最近，有很多朋友在看了我的（假装是这样）一系列介绍 CherryStudio 的教程以后，都开始使用CherryStudio这个全能AI助手了。如果你还没有看过，可以翻看本账号之前的内容，相信一定会有所收获。
我相信很多朋友使用CherryStudio的目的，除了AI对话以外，还想建立自己的知识库，让AI能结合自己提供的资料生成更有针对性的回答。
这是一个很自然、也很美好的想法。但是，不少人上手操作以后却发现，效果根本不是自己想象的那样。
这就是本文将要探讨的问题。
如果你正在为这样的问题而困扰，或者你正打算建一个自己的知识库，接下来的内容一定会帮到你。
说明：本文虽然以CherryStudio为例进行介绍，但这些知识并不局限于CherryStudio，其他同类工具大概都通用。
纠正一个认知误区
很多人想象的“AI+知识库”，是自己把搜集整理的资料一股脑丢进CherryStudio的知识库，等到自己提问的时候，AI会把里面的内容认真通读一遍，从中搜集相关内容，再综合分析思考、输出一个非常完美的答复。
No，根本不是这样的！
有些人以为，自己把一堆的数据表格扔进知识库，AI会进行专业的统计分析，当自己问到某个数据，AI会对答如流，准确无误。
No，也不是这样的！
这里请记住一个知识点：你放进知识库的所有原始资料，AI（不限于DeepSeek）根本接触不到！
AI能接触到的，仅仅是可能与你的问题有关的、极少一部分的资料片段。
为什么会这样？
知识库的基本原理
如果你想用好知识库，就一定要搞明白知识库的基本原理和工作流程，也就一定要搞明白下面这张图。
这个流程图虽然看起来有一点复杂，但是逻辑关系非常清晰，下面我会尽量用简单易懂的方式，给你解释清楚。
这张图从上到下被虚线分为三部分：
原始资料的处理过程
在第一行里，当用户把各种原始资料添加进知识库里，会有程序首先进行预处理，对它们提取有用的文本内容，剔除没用的干扰信息，然后把它们拆分成无数个文本块（chunk）。
你可以类比为把一整本的书，拆分成了一段一段（甚至于一句一句）的内容。
这些文本块被添加进（嵌入）向量数据库的时候，会被嵌入模型进行向量化。也就是把原来的文本片段，通过算法变成了一个超级长的数字序列，就像这样的：
[-0.023 0.145 -0.067 0.098 0.032 0.124 -0.012 ...]
假如嵌入模型是1024维，那么每个片段都会被转换成一个包含1024个数值的向量。
然后，最终被存进向量数据库的，不单单是无数个这样向量值，还有它们所对应的文本块内容。
在这一步请认真思考：什么样的资料适合被拆分？哪些资料不适合？
用户问题的处理过程
在流程图第二行里可以看到，用户提出的问题，并不是直接就到了大模型那里，而是先要嵌入进行向量化处理，也会变成一个包含1024个数值的向量。
然后，把它拿到向量数据库进行相似匹配。
请注意：这里匹配的不是文字内容，而是通过算法对完全由数字组成的向量进行一一匹配。
通过大量快速的向量匹配，最终在向量库里筛选出了一些（极少量）匹配度比较高的向量。知识库再调出这些向量对应的的片段原文，也就是最有可能和用户的问题相关的文本片段。
回复内容的生成过程
在流程图的第三行，才是大模型真正开始回答问题的过程。
从向量数据库里调出的片段原文，再加上用户的问题原文，合并在一起提交给大模型（DeepSeek）以后，它会结合这些信息，以及自己训练的数据，进行综合的分析推理，最终生成回复内容给用户。
这一步请注意两个问题：图中原始资料和大模型之间的距离有多远？知识库中的那么多资料，大模型最终获取到的有多少？
谜底揭开
我相信上面介绍的知识库工作流程，并不是特别艰深难懂。
如果你看懂了，你的很多困惑，应该也已经不存在了。
所以，以后不要试图让大模型告诉你，你的知识库里有几份关于xxx的文件，它根本看不到啊！
也不要试图把一堆数据表格塞进知识库，让大模型给你统计某一项的总数值，它根本看到所有的数据啊！
大模型不是这么用的，知识库不是这么玩的。当然，这并不是说本地知识库没有用。要想用好它，需要一定的方法技巧。
至于到底应该怎么用，篇幅所限，以后会再详细介绍。
再看CherryStudio知识库
当你对知识库有了一些基本了解，再打开CherryStudio知识库看一看，你会有一些新的收获。
嵌入模型
新建知识库的时候，首先要选的就是嵌入模型。
现在你应该明白，嵌入模型和大语言模型，干的活根本不一样，所以这里不会有DeepSeek给你选。
目前比较好用的中文嵌入模型，是bge系列，你也可以试试把相同的内容通过不同的嵌入模型进行处理，对比看一下效果有什么不同。
模型信息
在知识库页面底部，你还会看到模型信息。
嵌入模型有多少个维度，就表示每个片段会被它转换成一个包含多少个数字的向量。虽然人类一看就头大，却非常适合计算机用算法进行高效运算。
搜索
如果你输入某个关键词，在知识库里进行搜索，可以看到它返回的内容，就是一条条被分割的片段。
你也许会注意到，每一个片段的长度都差不多。如果统计它们的字数，你会发现居然都一样！
没错，这就是原始资料被拆分时，每个片段的固定长度。
你再看也不难发现，其实很多出现在开头结尾的句子，都被粗暴的拆断了。
每个片段右上角的百分比，表示算法计算出来的匹配度。
你自己可以仔细看一看，搜索返回的内容，跟你想要搜索的内容，真的有关系吗？如果没有，你就理解为什么明明加了知识库，AI的回复还是很糟糕。因为它拿到的资料就是一堆垃圾！
