Zbuduj bazę wiedzy

Doprowadzenie agenta do tego, żeby odpowiadał z twoich własnych dokumentów, od początku do końca. Około dwudziestu minut, bez terminala i jedna decyzja po drodze, której nie da się cofnąć.

Przetwarzanie plików wyjaśnia pipeline; tutaj jest przepis.

1. Utwórz kolekcję

Knowledge → New. Nadaj jej nazwę, którą człowiek rozpozna — to ją ktoś wybiera później z listy — oraz scope, który decyduje o tym, czy należy do ciebie, czy do organizacji.

Model embeddingowy jest zamrażany przy tworzeniu

To jedyny wybór na tej stronie, którego nie da się potem zmienić. Kolumna wektorowa powstaje o szerokości tego modelu, a dwa modele o tej samej szerokości i tak zapisują w różnych przestrzeniach — wyszukiwanie dalej porównywałoby więc wektory, które nie znaczą tego samego.

Zmiana zdania później oznacza utworzenie nowej kolekcji i zaingestowanie wszystkiego od nowa. Formularz oferuje modele, które serwuje wybrany provider, i preselekcjonuje pierwszy z nich; zostaw go, chyba że masz powód, by tego nie robić, a jeśli go masz, zobacz Wybór modelu.

W sekcji Embeddings wybierz providera, który serwuje model, oraz klucz w vault, który za niego płaci. Oba są wymagane: nie ma klucza embeddingowego na poziomie wdrożenia, więc kolekcja bez klucza jest tutaj odrzucana, zamiast powstać i zostać bez możliwości zaindeksowania pierwszego dokumentu. Klucz musi być kluczem wybranego providera; jeśli organizacja nie ma jeszcze żadnego, formularz obok listy go zapisze. Providera i klucz można zmienić później, modelu nie — zobacz Przetwarzanie plików.

Na liście providerów jest też Ollama. Nie bierze klucza: wybierz ją, jeden z jej modeli i serwer, pod którym odpowiada — usługę lokalną zarejestrowaną w Knowledge → Integrations, własną organizacji albo taką, którą administrator wdrożenia zarejestrował dla wszystkich — a dokumenty kolekcji nigdy nie opuszczą sieci samego wdrożenia. Ta sama zakładka trzyma serwery OCR dla LiteParse, wybierane w ustawieniach parsowania.

Knowledge base utworzona na nazwie kolekcji, która już istnieje, przejmuje zamiast tego providera i klucz tamtej kolekcji — łącznie z brakiem klucza, bo każdy wiersz jednej kolekcji musi embedować tak samo. Takiej kolekcji nadaj klucz potem, na jej własnej stronie.

2. Zdecyduj, jak czytane są dokumenty

Każda kolekcja niesie własne ustawienia ingestii, a każdy upload może je nadpisać. Wartości domyślne są rozsądne; te trzy warte są zastanowienia.

Który parser czyta PDF-a.

	Czym jest	Wybierz go, gdy
pymupdf	Lokalny, szybki, darmowy — i jedyny, który wyciąga osadzone obrazy do opisania	Dokumenty oparte przede wszystkim na tekście. Zacznij tutaj
liteparse	Lokalny, świadomy układu strony, zachowuje tabele jako siatki ASCII, zamiast je spłaszczać	Dokumenty, których sens siedzi w tabelach
llamaparse	Usługa w chmurze, rozliczana za stronę, zwraca markdown	Zeskanowane albo trudne dokumenty, które tamte dwa kaleczą — i godzisz się na to, że strony opuszczą twoje wdrożenie

Czy stosować OCR. Włączony dla skanów i zdjęć dokumentów, poza tym wyłączony. Jest wolniejszy i na czystym tekście wymyśla znaki.

Jak strony są cięte na chunki. recursive dzieli po strukturze i jest właściwą wartością domyślną; markdown podąża za nagłówkami, co jest lepsze, gdy twoje dokumenty naprawdę je mają; fixed to tępe liczenie znaków, na wypadek gdy tamte dwa produkują bzdury.

Zmieniaj jedną rzecz naraz

Te ustawienia na siebie oddziałują. Jeśli wyszukiwanie jest słabe, zmień parser albo chunkowanie, zaingestuj ponownie jeden dokument i zadaj to samo pytanie jeszcze raz.

3. Włóż dokumenty

Dwa sposoby, i w jednej kolekcji możesz używać obu.

Wgraj pliki bezpośrednio — wybrany przez ciebie parser je czyta, dzieli na chunki, embeduje, a dokument pokazuje się jako processing, dopóki to się nie skończy.

Zsynchronizuj źródło — folder na Google Drive albo bucket S3, odczytywany ponownie według harmonogramu, tak żeby kolekcja podążała za folderem, a nie za jego kopią. Zobacz Konfigurowanie źródeł synchronizacji.

Jeśli ingestia zawodzi na świeżej instalacji, sprawdź obraz bazy danych

Magazyn wydaje CREATE EXTENSION IF NOT EXISTS vector przy pierwszym zapisie do kolekcji, a zwykły Postgres odpowiada extension "vector" is not available — 500 jeszcze zanim jakikolwiek wiersz zostanie zacommitowany. Obrazem musi być pgvector/pgvector:pg16.

4. Daj ją agentowi

W Builderze, na agencie:

1. Włącz capability Knowledge search.
2. Podepnij kolekcję — agent przeszukuje kolekcje, które nazwiesz, i nic poza nimi.
3. Ustaw default_top_k, czyli liczbę chunków, które zwraca wyszukiwanie.

Zacznij od trzech. Osiem chunków tam, gdzie wystarczyłyby trzy, to najczęstsze ciche przepłacanie w tym produkcie: pobrany tekst jest czytany w turze, w której przychodzi, i w każdej turze, w której jest niesiony dalej, a zwykle jest największą rzeczą w promptcie.

Potem powiedz to w instrukcjach. Wyszukiwanie stawia tekst przed modelem; instrukcje decydują, co model z nim robi:

Answer from the knowledge collection and cite the document you used.
If the collection does not cover it, say so rather than guessing.

To drugie zdanie jest tym, co zamienia pewny siebie wymysł w „nie mam tego" — i warto przetestować je celowo, pytając o coś, o czym wiesz, że nie ma tego w dokumentach.

5. Przetestuj

Opublikuj, otwórz zakładkę Test agenta i zadaj trzy pytania:

Zapytaj	Co sprawdzasz
O coś, co wyraźnie jest w dokumentach	Że wyszukiwanie w ogóle działa i że odpowiedź niesie cytowanie
O coś, czego wyraźnie w nich nie ma	Że agent odmawia, zamiast wymyślać
O coś z pogranicza — szczegół w tabeli albo w skanie	Czy parser naprawdę przeczytał tę część

Trzecie jest tym, które znajduje prawdziwe problemy, i dlatego do wyboru parsera z kroku 2 warto wracać, zamiast mu ufać.

Kiedy nie może znaleźć czegoś, co na pewno tam jest

Przejdź w dół tej listy; jest ona z grubsza uporządkowana według tego, jak często każdy punkt bywa przyczyną.

1. Czy dokument jest w stanie processing albo się nie powiódł? Błąd nieudanego dokumentu jest przy samym dokumencie i mówi, na którym etapie się poddał.
2. Czy kolekcja jest podpięta do tego agenta? Podpięcie jest per agent, a opublikowana wersja niesie podpięcia, które miała w chwili publikacji.
3. Czy parser przeczytał tę część? Otwórz dokument i spójrz na wyciągnięty tekst. Tabela spłaszczona do prozy albo skan bez OCR są dla wyszukiwania niewidoczne, choćbyś widział je najwyraźniej.
4. Czy default_top_k nie jest za małe? Trzy jest właściwe dla skupionego korpusu i za małe dla szerokiego.
5. Czy strona naprawdę jest pusta, czy żądanie się nie powiodło? Jedno i drugie renderuje to samo „nie ma tu nic". Sprawdź zakładkę sieci, zanim cokolwiek stwierdzisz.

Podsumowanie

• Model embeddingowy jest zamrażany przy tworzeniu. To jedyny nieodwracalny wybór w tym miejscu.
• Najpierw pymupdf, liteparse do dokumentów naszpikowanych tabelami, llamaparse, gdy strony mogą opuścić wdrożenie, a tamte dwa sobie nie radzą.
• Zacznij default_top_k od trzech i podnoś je tylko wtedy, gdy odpowiedziom naprawdę brakuje kontekstu.
• Instrukcje muszą mówić „say so rather than guessing" — samo wyszukiwanie nie powstrzymuje wymyślania.
• Testuj czymś, czego w dokumentach nie ma, i czymś zakopanym w tabeli.

Pipeline w szczegółach → · Synchronizowanie folderu →