好久不见，终于来了，今天我们在知识库优化之路上继续探索。
这是《知识库优化之路》系列的第四篇。
这个系列主要是面向普通小白用户，在资源条件、技术条件有限的情况下，如何仅仅从用户侧，做一些基本的知识库优化工作，希望能给大家带来一些帮助。
之前的三篇，我们已经介绍过，为了让AI更好地理解知识库中的资料，可以使用工具把文件转换为Markdown和JSON格式，以及选择更好的嵌入模型。
知识库优化之路（一）：把PDF文件转成Markdown格式
知识库优化之路（二）：喂给AI最喜欢的数据格式JSON
知识库优化之路（三）：嵌入模型的选择和使用方法
如果你已经做过了这些，还希望进一步提升效果，可以考虑使用重排序（Rerank）模型。
什么是重排序模型？
顾名思义，重排序就是重新排序的意思。
你一定很想知道，重新排序的对象是谁？
如果你看过我之前关于知识库基本原理的介绍（泼冷水：CherryStudio+本地知识库，没你想的那么简单），应该明白：用户提出问题之后，嵌入模型并不是直接拿着用户的问题去知识库里搜索的，而是要先把问题转换成向量数据，类似 [0.3, -0.8, 1.5…] 这样的数字串，然后再到向量数据库中进行相似度匹配，也就是用算法来筛选出一批最有可能和问题相关的资料片段。
请注意，这一步筛选出来的资料片段，只是很有可能和用户的问题相关，至于是不是真的有关系，以及关系的大小，都不好说，不确定。
原因很简单：向量数据库进行匹配时，使用的是向量数据，是基于纯数字的相似度计算，并不能代表文字意义上的匹配度。
这个时候，就该重排序模型出场了。
它的作用，就是把上一步向量数据库初步筛选出来的资料片段，进行更深入更仔细的分析理解，再按照它们和问题的相关性重新排序。
简单来说，嵌入模型负责找出一批“可能和问题相关的片段”，而重排序模型负责在这批“嫌疑片段”中找出最相关的，并将它们按相关性排序，只把排序靠前的部分提交给大模型。
既然重排序模型的筛选更精准，为什么不一开始就使用它呢？
重排序模型虽然精度高，但需要的算力资源也很大，如果一开始就用它处理大量数据，计算成本将变得非常高昂，并不实用。
采用嵌入模型+重排序模型这种“先粗后精”的两步检索策略，能够兼顾效率和精度，更符合实际使用场景。
如何使用重排序模型？
目前，CherryStudio知识库已经支持重排序模型，如果你是CherryStudio的用户，可以先升级一下软件，就能正常使用了。
CherryStudio添加重排序模型
根据CherryStudio的提示，目前重排序模型仅支持部分服务商（硅基流动，Jina，Voyage Al）。这里面硅基流动是我们的老朋友了，那就先从它开始吧。
在CherryStudio中打开模型服务设置界面，在服务列表中选择硅基流动，点击“管理”，在模型列表界面选择“重排”，可以看到有三个模型可以添加。
其中，Pro开头的只有付费用户可以使用，免费用户可以先添加另外两个，点击模型名称后面的“➕”即可。
另外，Jina 提供了重排序模型jina-reranker-v2-base-multilingual，而Voyage AI提供了rerank-2和rerank-2-lite 两个重排序模型。
想用的朋友可以自行摸索，注册这两个平台后获取到API Key，就可以自己添加。（需要教程的朋友可以留言，人多的话我再考虑写一篇）
使用重排序模型
在CherryStudio中新建知识库，或者选择现有的知识库，在设置中的重排模型那里，可以选择之前添加的重排序模型。
如果你的知识库嵌入模型用的是bge-m3，重排模型就可以用bge-reranker-v2-m3，毕竟都是bge系列，相互配合效果会更好。
设置过重排模型以后，就可以直接点击“搜索知识库”按钮，进行输入关键词或者问题测试一下效果。
对比测试
还用我之前创建的DeepSeek资料库进行测试，嵌入模型bge-m3，重排模型bge-reranker-v2-m3，搜索内容“提示词技巧”。
在不使用重排模型时，匹配度最高的几个片段，匹配值只有60%多。
使用重排模型后，匹配度最高的几个片段，匹配值高达90%多。
这种差别还是相当明显的，如果仔细看一看内容，重排模型的判断确实更精准。
内容相关性高的片段，它给的分值也会比较高，不相关的片段，分值会非常低。这样就更便于筛选出哪些才是真正和问题相关的片段。
结语
本文介绍了什么是重排序模型，以及在CherryStudio中如何使用重排序模型。通过我不太严谨的对比测试，看起来使用重排模型，确实能提升知识库的搜索效果。
美中不足的是，目前CherryStudio支持的重排模型还比较少，所以我也没有做太多的测试。欢迎大家在评论区，分享关于重拍模型的知识技巧和使用体验。
