NeuCharFramework (NCF)
  • NCF - NeuCharFramework
  • 项目

    • 准备
    • NcfPackageSources 源码指南
    • 动态WebApiEngine
    • 部署
    • MCP(Model Context Protocol)模块
    • Senparc.AI
  • AIKernel 本地微调
  • 帮助

    • 在线资源
    • 问答社区
    • QQ群(147054579)
    • Senparc微信SDK
  • Gitee
  • GitHub
  • English
  • 简体中文
GitHub
  • NCF - NeuCharFramework
  • 项目

    • 准备
    • NcfPackageSources 源码指南
    • 动态WebApiEngine
    • 部署
    • MCP(Model Context Protocol)模块
    • Senparc.AI
  • AIKernel 本地微调
  • 帮助

    • 在线资源
    • 问答社区
    • QQ群(147054579)
    • Senparc微信SDK
  • Gitee
  • GitHub
  • English
  • 简体中文
GitHub
  • 源码开发入口

    • NcfPackageSources 新手快速上手(60 分钟)
    • NcfPackageSources 源码指南
    • 项目关系、同步与发布
    • 版本升级说明
    • NcfPackageSources_Include_NcfSimulatedSite.sln 项目地图
  • XNCF 源码剖析

    • NCF 核心能力源码详解(面向实战)
    • XNCF 扩展库说明(Senparc.Xncf.Xxxx)
    • XNCF 模块文档地图
    • Senparc.Web 与 Admin
    • XncfBuilder 隔离开发:源码剖析
  • 后台功能使用指南

    • 后台帮助导航与简短说明
    • 后台日志查询与排障
    • AdminChat 对话、Harness 与附件
    • AdminChat Memory 与对话设置
    • NeuBell 出站 WebHook 管理
    • NeuCharPivot 面板、聚合与权限
    • MCP Manager:服务查看与客户端连接
    • AIKernel 模型、向量与用量管理
    • AIKernel 本地微调
    • KnowledgeBase 知识库与召回测试
    • PromptRange 靶场、测试与模型配置
    • Skill 导入、测试与发布
    • FileManager 文件与上传策略
    • AgentsManager 智能体管理
    • AgentsManager 3D 状态视图说明
    • AgentsManager:HIL 与 NeuChar Workflow 集成
    • NeuChar Workflow:操作说明与 {{= ... }} 表达式
    • Workspace 与 AdminChat
    • Sandbox 会话管理与环境准备
    • DynamicData 数据表、布局与页面
    • SenMapic 采集任务与结果
    • 微信公众号配置与关注用户
    • 个人微信 Bot 与后台集成
  • NCF 基础库源码剖析

    • Senparc.Ncf.Core
    • Senparc.Ncf.Database(数据库基础)
    • Senparc.Ncf.Repository
    • Senparc.Ncf.Service
    • Senparc.Ncf.SMS
    • Senparc.Ncf.Mvc.UI
    • Senparc.Ncf.Log
    • Senparc.Ncf.Utility
    • Senparc.Ncf.XncfBase
    • Senparc.Ncf.AreaBase
    • Senparc.Ncf.DatabasePlant
  • 核心接口源码剖析

    • IXncfRegister 接口(当前版本)

KnowledgeBase 知识库与召回测试

知识库与向量化

  1. 新建知识库,选择 Embedding 模型和向量存储。
  2. 在配置中关联需要检索的资料。
  3. 执行“向量化”,检查结果并处理失败,再进入测试。
  4. 用真实问题做召回测试,同时检查原始来源。

修改资料或 Embedding 配置,不代表存储的向量已经更新,应按需重新构建。 将内容发送给外部 Embedding 服务前,先确认资料访问权限和保留要求。

新建知识库

“新建知识库”打开名称及模型配置表单,选择 Embedding 模型、向量数据库和需要的对话模型。 Embedding 用于生成检索向量,对话模型用于生成回答,两者不能互相替代。 保存知识库定义后,还要在“配置”中关联资料并执行“向量化”;点击新建或保存并不会完成整个入库过程。

召回测试与 Top K

选择已向量化的知识库,输入真实问题,检查返回片段、来源名称、链接及排序。 “查看全文”打开片段详情;历史表记录测试问题、知识库、片段数、最高相似度和测试时间。

相似度分数是排序参考,不是召回率百分比,也不是答案正确概率。 不同模型、后端的分数尺度可能不同。启用重排时,区分重排分数/顺序与原始向量排序。 判断前查看完整段落;一次问题测试成功不能证明整个知识库都已达到质量要求。

返回片段数量(Top K)

“检索设置”中的滑块和数字输入框控制当前页面后续召回测试的返回片段上限, 范围 1–20,建议先从 5 开始。结果不足可提高,噪声过多可降低。 Top K 不是相似度阈值、召回率或知识库总文档数;修改它不会重新向量化,也不会修改全局模型参数。

在 GitHub 上编辑此页
上次更新:
贡献者: JeffreySu
Prev
AIKernel 本地微调
Next
PromptRange 靶场、测试与模型配置