FastGPT知识库搜索方案与参数配置使用说明

知识库搜索核心原理

FastGPT采用RAG的Embedding向量方案构建知识库，将文本、图片等内容转换为数字数组（向量），通过向量距离判断内容相似度，距离越小相似度越高。向量搜索需通过topk召回前k个最相似的内容，再交由大模型完成语义判断与归纳。FastGPT使用PostgresSQL的PG Vector插件（索引为HNSW）作为向量检索器，MongoDB存储原数据信息。影响搜索精度的因素包括向量模型质量、数据质量、检索器精度，可通过优化分词分段、精简或丰富index内容、优化检索词、微调向量模型提升精度。FastGPT支持一组数据对应多个向量，通过多向量映射平衡内容长度与语义丰富度。

检索流程与参数说明

完整的知识库检索流程并非简单的单向调用，而是多环节组合：首先通过问题优化消除指代、扩展语义，增强连续对话的检索能力；随后通过语义检索、全文检索或混合检索召回候选内容，若输入包含图片，可根据当前模型能力触发图片描述检索或图片向量检索；最终通过RRF合并多路检索结果，经Rerank二次排序提升结果相关性，再结合相似度过滤与引用上限裁剪，得到最终可用于大模型的引用内容。可配置的核心参数包括检索类型、topk召回数量、Rerank开关、相似度阈值、引用上限等。