结论
FastGPT通过Embedding向量实现知识库的相似度匹配。向量距离越小代表两者相似度越高，通常采用topk召回前k个相似内容，再交由大模型完成最终问答。
具体怎么做
- 将知识库文本与查询文本转换为Embedding向量；
- 计算查询向量与知识库向量的距离，筛选出距离最小的topk个结果；
- 将召回的topk内容提交给大模型，进行进一步的语义判断、逻辑推理与归纳总结。
注意事项
- 向量搜索精度受多个因素影响，包括向量模型质量、数据质量（长度、完整性、多样性）、检索器精度（速度与精度的取舍）以及检索词质量；
- 向量匹配无法完全保障精确性，需通过topk召回补充关键环节；
- 相较于复杂的向量模型训练，优先优化数据与检索词质量可有效提升向量搜索效果。
来源：FastGPT 官方文档