Longcat AI 怎么配置 AI 实现知识库查询的精准？

LongCat AI知识库精准查询的关键在于知识存储、切片、匹配与回答约束四环节配置

经常有朋友问，怎么让LongCat AI的知识库查得更准？其实这事儿还真不是模型本身有多聪明就能解决的。关键在四个环节：知识怎么存、怎么切、怎么匹配、怎么约束回答。整个过程不是调个API就完事，而是需要一步步做针对性配置。

知识库内容必须结构清晰、语义完整

千万别直接把一个大PDF或者长网页甩进去，那基本等于让模型在垃圾堆里找黄金。LongCat的向量检索依赖语义理解，如果原始材料段落混杂、标题缺失、关键信息被拆散，模型就很难准确召回。

• 优先用Markdown或纯文本整理资料，每条规则、每个FAQ、每项政策都单独成段
• 每段开头加明确标题，比如“【售后时效】”“【优惠券使用限制】”，帮助模型识别主题边界
• 避免把多个不相关知识点塞在同一段里，比如“发货时间+退货流程+发片开具”混在一起，会干扰向量表征

切片方式和嵌入模型要匹配内容类型

默认的General切片适合通用文档，但要是你的知识库是技术手册、合同条款或者客服话术，那就得换更精细的方式。

• 法律/合同类：选

  Paragraph
  切片，保留完整句子逻辑，避免跨句截断
• FAQ/问答集：用

  Question-Answer
  模式，自动按Q&A对分离，提升问题匹配率
• 务必搭配高质量中文embedding模型，比如SiliconFlow的bge-zh-v1.5，不能只用通用英文模型

检索阶段要控制召回范围与相关性阈值

光靠“最相似”还不够，得防止误召那些无关但词面接近的内容。比如，用户搜“退款”，模型却把“换货流程”给召回来了，那就不对了。

• 在知识库配置中开启

  元数据过滤
  ，比如标记“type: 售后”“category: 金融”，提问时可限定范围
• 设置

  最小相似度阈值
  ，比如0.65，低于该值的块直接忽略，不参与生成
• 启用

  重排序（Rerank）
  ，用LongCat自身对召回结果二次打分，比纯向量更准

生成阶段必须绑定“只答所见”原则

再准的检索，如果AI自由发挥，答案照样跑偏。必须用系统级约束把它“锁死”在检索结果内。

• 在Agent配置中启用

  RAG强制模式
  ，也就是“仅基于检索内容回答”
• 关闭模型自由温度，temperature设为0.1～0.3，禁用top_p，避免幻觉扩散
• 要求输出末尾自动附上来源链接或段落编号，倒逼模型不敢编造