📚 知识库 - 快速上手
概述
知识库是一个本地 RAG（检索增强生成）引擎，让你能够将文档、笔记和结构化信息组织为可被 AI 智能检索的知识体系。它的核心思想是：
把信息变成 AI 能理解的"知识原子"，让大模型在回答时"有据可查"。
与普通文件管理器不同，知识库会对你存入的内容进行向量化处理，理解语义而非仅靠关键词匹配。当你向它提问时，它能从知识库中找出最相关的内容片段，作为上下文提供给 AI，从而获得更准确、更贴合你私有知识的回答。
核心场景
- 你有一堆技术文档和笔记，想让 AI 基于这些内容回答技术问题
- 你想整理项目经验、会议记录，构建团队知识沉淀
- 你希望 AI 聊天时能引用你指定的资料，而不是凭空回答
核心概念：CAIU（原子知识单元）
知识库的最小存储单位叫做 CAIU（Core Atomic Information Unit），你可以把它理解为一个"知识卡片"：
- Key：条目标题，也是唯一标识符，支持
[[Key]]语法进行跨条目引用 - Content：Markdown 格式的正文内容
- Tags：带权重的标签（
{name, weight}结构），用于分类和语义检索 - Assets：关联的资产引用，指向全局 AssetManager 中的资源
- Priority：检索时的权重加成（数值越高越优先，默认 100）
- Enabled：启用状态，禁用后不会出现在搜索结果中
- Vector Status：向量化状态（已就绪/待处理/失败/无等）
每个 CAIU 不进行自动分片——你存入的一个条目就是一个完整的知识单元，系统会保持其完整性。
快速上手
第一步：配置 Embedding 模型
在开始使用之前，需要先配置一个用于向量化的 AI 模型：
- 进入知识库工具的 设置 标签页
- 在"AI 模型配置"区域，选择一个支持 Embedding 功能的模型
- 点击 探测模型维度 按钮自动检测向量维度
TODO: 截图 - 设置页面中的 Embedding 模型选择器
配置完成后，系统会自动保存并准备好向量化环境。
第二步：创建知识库
在知识库列表页，点击 创建知识库 按钮：
- 输入知识库名称（必填，同一名称不可重复）
- 可选的描述信息
- 点击确认完成创建
创建完成后，会自动选中新创建的知识库进入工作区。
TIP
你可以创建多个知识库来组织不同主题的内容——比如"技术文档"、"产品需求"、"团队 Wiki"等。
TODO: 截图 - 创建知识库弹窗，展示名称输入框和确认按钮
第三步：导入文档
创建好知识库后，在工作区可以导入内容：
方式一：手动添加条目
点击 添加条目 按钮，直接输入标题和 Markdown 内容：
- 标题会成为条目的 Key
- 内容支持完整的 Markdown 语法
- 可以手动添加标签进行分类
方式二：批量导入文件
支持拖放或选择文件批量导入：
- Markdown / 文本文件：直接导入为条目内容
- 导入时自动提取内容中的第一个一级标题作为 Key
- 支持自动提取
Tags:或标签:标记 - 可以开启去重功能，避免重复导入
TODO: 截图 - 工作区界面，标注添加条目按钮和文件拖放区域
第四步：向量化（建立索引）
导入内容后，条目处于"待向量化"状态。你需要将其转换为向量才能进行语义搜索：
- 自动向量化：可以在 设置 中开启"导入时自动向量化"，导入后自动开始
- 手动向量化：点击 一键向量化 按钮，批量处理所有未向量化的条目；或在条目详情中点击 同步向量 按钮单条处理
- 单条向量化：在条目详情页，点击 同步向量 按钮针对单条条目进行向量化
向量化过程会在后台进行，可以在 监控 视图查看进度和状态。
TODO: 截图 - 监控视图中的索引进度条
第五步：在聊天中使用（RAG）
知识库最强大的地方在于与 LLM Chat 的集成。
- 打开 LLM Chat，在右侧上下文面板绑定你的知识库。
- 在对话或 System Prompt 中加入占位符
【kb】。 - 发送消息，系统会自动检索知识并注入到 AI 的大脑中。
详细的集成技巧请参考 Agent 集成。
界面导览
知识库工具包含以下几个标签页：
| 标签页 | 说明 |
|---|---|
| 工作区 | 条目的浏览、管理、编辑和搜索的核心界面 |
| 统计 | 知识库的全局统计数据（条目数、向量化率、Token 消耗等） |
| 监控 | 实时查看 RAG 链路日志、索引进度和系统消息 |
| 实验室 | 多引擎对比测试，同时使用不同引擎搜索同一问题做效果对比 |
| 设置 | 全局配置（模型、导入、向量化参数等） |
TODO: 截图 - 工具整体界面，标注五个标签页