背景
在分享完AI Agent 新选择：Coze Studio 开源上手实录，能替代 dify 吗？，有粉丝希望我分享下知识库相关的。我先把问的比较多的问题进行答疑。
上期答疑
如何添加多个LLM
在
backend/conf/model目录下，多复制几个yaml文件，在template中有相应的模板。从模板上的内容来看，内部原来是一个结构化的配置，开源以后，精简了，直接剥离成了yaml文件，根据数据结构反向开发定制可以实现在线灵活配置。
如何关闭思考过程
meta.conn_config.enable_thinking赋值为false即可。
重启coze-server
docker compose --profile '*' up -d --force-recreate --no-deps coze-server
还是有些小瑕疵的
知识库相关配置
coze studio的知识库，依赖：存储、向量数据库，向量模型，向量模型配置和LLM不太一样。向量模型在.env中配置。
存储方式配置
向量化需要上传文件到服务中，所以向量模型配置之前，需要先配置上传方式（coze studio 叫上组件）。在coze studio中，上传组件的配置就是上传方式的配置，支持：
• minio: 这个是开源默认的 • 火山引擎对象存储TOS • 火山引擎 ImageX
需要注意的是, 需要将
MINIO_ENDPOINT中的配置中的localhost:9000不需要动，内部做了一些特殊处理,改成容器名称也是可以的
# Storage component
export STORAGE_TYPE="minio"
export STORAGE_BUCKET="opencoze"
# MiniIO
export MINIO_ROOT_USER=minioadmin
export MINIO_ROOT_PASSWORD=minioadmin123
export MINIO_DEFAULT_BUCKETS=milvus
export MINIO_AK=$MINIO_ROOT_USER
export MINIO_SK=$MINIO_ROOT_PASSWORD
export MINIO_ENDPOINT="localhost:9000"
export MINIO_API_HOST="http://${MINIO_ENDPOINT}"OCR 配置
如果上传的文件是扫描件，coze studio支持通过ocr将扫描件解析，需要开通火山引擎的OCR产品服务，这个就不做讲解了。
向量存储配置
向量化存储目前支持两种：
• milvus • vikingdb: 火山引擎的服务
我使用本地的milvus，和minio一样，不需要改动，改成coze-milvus:19530 也可以
export VECTOR_STORE_TYPE="milvus"
# milvus vector store
export MILVUS_ADDR="coze-milvus:19530"向量化模型配置
本来想试用本地Ollama做向量模型的，折腾了1个多小时，没有成功，一直报
panic: InitializeInfra failed, err=Init - initPrimaryServices failed, err: init vector store failed, err=init milvus embedding failed, err=init knowledge embedding failed, type not configured
压根没有实现，然后在github上找了issue
官方说会在1~2天把ollama补上。先试用在线的
创建火山引擎向量模型接入点
配置
在.env中配置
export EMBEDDING_TYPE="ark"
export ARK_EMBEDDING_MODEL="自己的接入点"
export ARK_EMBEDDING_AK="自己的api key"
export ARK_EMBEDDING_DIMS="2048"
export ARK_EMBEDDING_BASE_URL="https://ark.cn-beijing.volces.com/api/v3"重启coze-server
docker compose --profile '*' up -d --force-recreate --no-deps coze-server
知识库使用
创建知识库
• 点击资源库右上角资源中的知识库 • 知识库有3类：文本格式、表格、照片 • 文本格式，可以本地文档，可以自定义文档 • 我以文本格式为示例进行创建
点击上传，或者拖入上传即可。
pdf 解析
点击下一步
• 在coze studio 中，文件解析策略有两种 • 精准解析：精准解析需要用到 OCR来处理扫描件• 快速解析：适用于存文本 • 分段策略 • 自动分段与清洗：傻瓜式操作 • 自定义分段：分段标识都用了下拉选，降低了普通用户的使用成本，也可以自定义分隔符。 • 分段可以进行预览，但是不能跟随对比，
普通的向量模型，没法识别表格，我切换下视觉向量模型试试。
重启下coze-server
• 可以看到表格式识别出来了，但是图片还是不显示（别急，后面可以看到）
点击确认。
可以看到图片已经提取了出来。然后一直0%，去查下issue
目前还不支持图像向量化模型。，还得切回到文本模型。
切回以后还能识别....
markdown解析
这里一定要把扫描件给取消了，要不然会一直卡住，它是根据你的设置去处理的，而不是根据你的文档处理。
• 可以看到md里的图片都被抓到了，看链接已经存入minio里了 • 向量化以后的结果，分段重叠了10%，所以看到很明显的衔接。
工作流中使用
基本上延续了coze的能力。
画了一个简单的知识库工作流。
• 知识库检索，支持添加多个知识库 • 搜索策略：支持、混合、语义、全文 • 可以设置召回数量、最小匹配度 • 可以勾选是否查询改写：查询改写在某些场景下很关键，可以极大的提升效率
很简单的提示词
查到内容总是感觉差点意思。效果并不理想
在智能体中使用
• 1需要在提示词中调用recallKnowledge• 2可以添加多个知识库
总结
• coze studio 的向量还在不断地完善过程中，预估这周ollama会上，自定义http需要按规范实现 • 知识库目前不支持外挂，这个在企业中是一个很大的问题，后续开源社区肯定会支持，迟早的问题 • 整体检索效果相对来说比较差，这个可能是我使用的问题
后记
• coze studio 从发布以后还没有一个release版本，功能还在逐步完善中，文档写了，有的还没有实现 • 从目前的状况来看，还有一段路要走，就看字节投入和开源社区的建设了，目前由21个提交者涨到了28个，不过后来者提交的代码很少，代码的理解还是需要一定的时间的 • 整个的关注度在不断地提升，势头特别猛，这几天已经涨到了近12k了
