创建知识库
大模型虽然知识渊博，但其知识截止于训练日期，并且对于私有或专业领域的知识一无所知。知识库功能正是为了解决这个问题而生的，它通过 RAG 技术，让智能体能够基于我们提供的专属资料库来回答问题。
我们首先进入 “资源库” 页面，点击 “+ 资源” 并选择 “知识库”，创建知识库：
Coze Studio 提供了三种不同类型的知识库：
文本格式：文本知识库支持用户上传 PDF、TXT、DOC、DOCX、MD 等格式的文件，解析和分片后存储于向量数据库；它基于内容片段进行检索和召回，大模型结合召回的内容生成最终内容回复，适用于知识问答等场景；
表格格式：表格知识库支持用户上传 CSV 和 XLSX 文件，导入表格数据，按行进行划分；它基于索引列的匹配进行检索，同时也支持基于 NL2SQL 的查询和计算；
照片类型：照片知识库支持用户上传 JPG、JPEG 和 PNG 图片，通过大模型对图片进行标注；它基于标注信息的相似度匹配，找到与用户问题最相关的图片，给大模型用于内容生成；
Coze Studio 的知识库功能依赖于 Embedding 服务和向量化存储组件。
其中 Embedding 服务支持三种接入方式：
OpenAI - 兼容 OpenAI 协议的 Embedding 接口
ARK - 火山引擎提供的 Embedding 服务
HTTP - 调用本地部署的模型服务，需要满足 Coze 自己的一套 接口协议，暂不支持 Ollama 或 Xinference 协议
这里我使用的是 OpenAI 的 text-embedding-3-small 模型，下面是 .env 配置示例，注意它的向量维度为 1536：
export EMBEDDING_TYPE="openai"export OPENAI_EMBEDDING_BASE_URL=""export OPENAI_EMBEDDING_MODEL="text-embedding-3-small"export OPENAI_EMBEDDING_API_KEY="sk-xxx"export OPENAI_EMBEDDING_BY_AZURE=falseexport OPENAI_EMBEDDING_API_VERSION=""export OPENAI_EMBEDDING_DIMS=1536export OPENAI_EMBEDDING_REQUEST_DIMS=1536
另外，向量化存储组件支持开源向量数据库 Milvus 和火山向量数据库 VikingDB，默认使用 Milvus，一般不修改：
export VECTOR_STORE_TYPE="milvus"export MILVUS_ADDR="localhost:19530"
如果你想切换成 VikingDB，可以使用下面的配置：
export VECTOR_STORE_TYPE="vikingdb"export VIKING_DB_HOST=""export VIKING_DB_REGION=""export VIKING_DB_AK=""export VIKING_DB_SK=""export VIKING_DB_SCHEME=""export VIKING_DB_MODEL_NAME=""
由于修改的是环境变量，通过 --force-recreate 重启服务：
$ docker compose --profile '*' up -d --force-recreate --no-deps coze-server
文本知识库
创建知识库时选择 “文本格式”，并填写知识库名称和描述，导入类型选 “本地文档”，然后点击 “创建并导入” 按钮，进入 “新增知识库” 的 “上传” 页面：
如果导入类型选 “自定义”，则进入 “新增知识库” 的 “文本填写” 页面，支持用户手动录入文档名称和文档内容。
我们上传一个简单的 PDF 文件（可以包含文本、表格、图片等元素），进入 “创建设置” 页面：
和其他的 RAG 系统类似，我们需要为知识库配置 文档解析策略 和 分段策略。Coze Studio 支持两种文档解析策略：
精准解析：支持从文档中提取图片、表格等元素，需要耗费更长的时间；支持设置过滤内容，可以将一些特定的页面排除掉；
快速解析：不会对文档提取图像、表格等元素，适用于纯文本；
如果上传的文件是扫描件，往往需要开启 OCR 功能，Coze Studio 目前只支持火山引擎的 通用 OCR 服务，可以免费开通试用：
开通后创建密钥，获取 AK 和 SK，然后将其填到 .env 配置文件中：
export OCR_TYPE="ve"export VE_OCR_AK="AK..."export VE_OCR_SK="SK..."
同样的，由于修改的是环境变量，通过 --force-recreate 重启服务：
$ docker compose --profile '*' up -d --force-recreate --no-deps coze-server
如果上传的文件是纯文本，选择快速解析即可。
Coze Studio 也支持两种分段策略：
自动分段与清洗：使用内置的分段与预处理规则；
自定义：使用用户自定义的分段规则、分段长度与预处理规则；
配置好文档解析策略和分段策略后，点击 “下一步”，进入分段预览页面：
如果预览没问题的话，再次点击 “下一步”，系统开始对文件进行处理，等处理结束后，我们的文本知识库就构建完成了：
表格知识库
创建知识库时选择 “表格格式”，并填写知识库名称和描述，导入类型选 “本地文档”，然后点击 “创建并导入” 按钮，进入 “新增知识库” 的 “上传” 页面：
我们上传一个简单的 Excel 文件（必须有明确的表头行和数据行），进入 “表结构配置” 页面：
在这里可以切换数据表，一个表格数据库只能对应一个数据表；然后选择表头所在行以及数据起始行，再为表格的每一列添加描述和数据类型；并选择一个或多个列作为索引，用于和用户的问题进行相似度匹配；然后继续 “下一步”，进入预览页面：
预览没问题的话，再次点击 “下一步”，系统开始对表格进行处理，等处理结束后，我们的表格知识库就构建完成了。
照片知识库
创建知识库时选择 “照片类型”，并填写知识库名称和描述，导入类型选 “本地文档”，然后点击 “创建并导入” 按钮，进入 “新增知识库” 的 “上传” 页面：
我们上传几张图片，进入 “标注设置” 页面：
Coze Studio 支持两种标注图片的方式：
智能标注：通过大模型深度理解图片，自动提供全面详细的内容描述信息；
人工标注：不执行处理，在图片导入完成后，手动添加图片描述；
为了使用智能标注功能，我们还需要配置 AI 生成模型，可以通过下面的参数配置：
export BUILTIN_CM_TYPE="openai"
支持 OpenAI、ARK、DeepSeek、Ollama、Qwen、Gemini 等模型，不同模型的配置有所区别，对于 OpenAI 配置如下：
export BUILTIN_CM_OPENAI_BASE_URL=""export BUILTIN_CM_OPENAI_API_KEY="sk-xxx"export BUILTIN_CM_OPENAI_BY_AZURE=falseexport BUILTIN_CM_OPENAI_MODEL="gpt-4o"
注意：AI 生成模型不仅用于图像标注（Image Annotation），还用于文本转 SQL（NL2SQL）、一句话生成 Query（Message to Query）等其他场景。如果需要在不同场景中使用不同模型，你可以通过添加前缀来针对特定场景应用特定配置，比如
IM_BUILTIN_CM_TYPE、NL2SQL_BUILTIN_CM_TYPE或M2Q_BUILTIN_CM_TYPE。
配置完成后记得通过 --force-recreate 重启服务。
点击 “下一步”，如果是选择了人工标注，系统不会做任何处理直接结束；如果是选择了智能标注，则通过 AI 生成模型对图片进行处理，等处理结束后，我们的照片知识库也就构建完成了：
大模型为每张图片生成一句话描述，可以点击图片进行查看和编辑：
使用知识库
知识库解析完成后，不需要发布，我们直接就可以在创建智能体时，将知识库添加到文本、表格或照片等知识中。智能体可以检索文本：
可以检索图片：
也可以检索表格：
创建数据库
在 Coze Studio 的资源库中，还有一种资源和知识库中的表格非常像，那就是数据库：
数据库可以作为智能体的记忆使用，实现收藏夹、todo list、书籍管理、财务管理等功能，也可以作为工作流中的节点使用。我们不妨拿高德的城市编码表来测试一下，它这个 Excel 表格包含 cityname、adcode 和 citycode 三列：
因此我们需要在创建数据库时，定义好对应的表结构：
然后进入数据库的测试数据或线上数据页面导入数据，线上数据是应用程序在实际运行时产生的数据，测试数据主要用于辅助调试，与线上数据是隔离的：
不知道大家还记不记得，我们昨天创建了一个 “高德天气查询” 工作流，其中通过代码组件将城市名称转换为高德城市编码，在代码组件中，我们将 Excel 中的所有数据保存到列表中，代码写得既冗余，又不好维护，而现在我们将 Excel 中的数据保存到数据库表中，那么就可以直接查询数据库来简化这个过程了。
对于数据库的查询操作，可以通过 “查询数据” 或 “SQL 自定义” 两个组件来实现，不过我测试下来发现，使用 “查询数据” 组件，城市名称怎么都模糊匹配不了，不清楚具体原因，后面阅读源码的时候再研究一下，有清楚的朋友欢迎评论区留言。这里先用 “SQL 自定义” 组件实现，编写 SQL 语句从数据库表中查询对应的城市记录：
select * from amap_city_code where LOCATE({{input}}, cityname) > 0注意，我这里使用 LOCATE 函数来实现模糊匹配的功能，这和 LIKE 语句差不多，那么为什么不用 LIKE 呢？这是因为 Coze Studio 的 SQL 中使用 {{input}} 占位符来替换变量，但是替换时会自动用引号引起来，如果我们写 LIKE '%{{input}}%' 会被替换成 LIKE '%'城市名'%'，导致 SQL 查询报错，因此不得不找个偏门的法子。配置好的节点如下图所示：
该节点会返回 outputList 结构化的表格数据，因此代码节点的 Python 代码可以精简：
async def main(args: Args) -> Output: outputList = args.params['outputList'] city_id = outputList[0]['adcode'] if outputList else '110000' ret: Output = { 'city_id': city_id } return ret优化后的工作流如下：
在这个工作流中，不仅代码更加简洁，而且城市编码表存放在数据库中，更容易维护。
小结
我们今天主要学习了 Coze Studio 的知识库功能，学习了如何创建和配置文本、表格和照片三种不同类型的知识库，了解了其背后的 Embedding、向量存储、OCR、图片标注等配置。此外，我们还学习了数据库功能，通过一个实际案例，将昨天创建的 “高德天气查询” 工作流进行了优化，利用数据库替代了硬编码的城市列表，使代码更简洁、维护更容易。
至此，我们已经全面体验了 Coze Studio 从智能体、插件、工作流到知识库的各项核心功能。可以看出，相对于官方的扣子平台，开源版阉割了不少功能，比如：
创建智能体里少了 对话流模式 和 多 Agents 模式，少了 提示词对比调试 和 自动优化提示词 功能；编排里技能少了 触发器 和 异步任务，记忆少了 长期记忆 和 文件盒子，对话体验少了 音视频 和 语音输入 等选项；调试智能体时少了 调试详情 功能；
创建应用里少了整个 用户界面 模块，不能搭建低代码应用；
资源库里少了 对话流、卡片 和 音色 等类型的资源；工作流中的组件也不完全，少了 图像处理、音视频处理、会话管理 和 消息管理 等组件；插件工具的创建方式少了 代码插件 和 端侧插件；创建文本知识库时少了 在线数据、飞书、公众号、Notion 等导入类型，表格知识库少了 API、飞书 等导入类型；
工作空间里还少了 发布管理、模型管理、效果评测 等模块，而且也没有 团队空间 的功能；
除了这些，还有一些产品细节，就不一一列举了。尽管如此，Coze Studio 的几个核心功能基本上都开源了，而且随着开源社区的不断贡献，相信这些缺失的模块很快就能补上。在接下来的学习中，我们将深入这几个核心功能的源码，研究下它们背后的实现原理。
