微信扫码
添加专属顾问
我要投稿
超级知识库:多维度解析,精准度飞跃提升
超级知识库智能体模板采用了复杂混合式解析技术,包括但不限于:
Baseline RAG:基础解析,确保信息的准确性。
QA RAG:问答式解析,快速定位问题核心。
DocMenu RAG:文档菜单式解析,系统化知识结构。
LongToken RAG:长文本解析,深入挖掘长篇资料的深层含义。
通过这些多样化的解析方式,您可以上传文件或关联已有的文件库文件,实现多角度、深层次的知识挖掘结合对问答结果的标记正确错误,让问答精准度达到新的高度。
接下来,让我们一起看一下这些功能的新变化吧。
超级知识库智能体的使用
1.在智能体模板商店中,选择超级知识库,点击“创建”,进行智能体基本信息配置。
2.在智能体的基本信息配置中,您需要设定以下几项关键信息:
智能体名称:为您的智能体起一个易于识别的名字。
欢迎语:编写一段友好的欢迎语,提供更好的使用体感。
常见问题设置:列出一些知识库可能经常询问的问题,方便后面更好的问答使用。
选择智能体的解析配置:
文件解析方式:系统默认勾选全类型解析方式(解析方式:Baseline、QA、DocMenu、Long Token),确保智能体能够处理各种文件格式。
QA解析模型:默认情况下,系统推荐使用"免费Qwen-7b模型"进行QA格式解析。如果QA解析出现异常,您可以根据实际需求选择切换其他解析模型或重新登录客户端尝试进行QA解析。
确保在配置过程中,根据智能体的用途和用户需求,适当调整这些设置以达到最佳性能。
3.在智能体的设置基本信息完成后,需要添加引用文件以实现超级知识库智能体问答的功能。
上传引用文件:在智能体设置界面中,找到并点击"上传文件"按钮。
选择文件来源:
本地上传:直接从您的计算机中选择行业文件进行上传,文件支持PDF(非扫描格式)、Word(docx格式)、Excel(xlsx格式)。
文件库选择:如果文件已经存在于ChatAA的文件库中,并且已经被扫描解析,您可以直接从文件库中选择。
4.智能体引用文件设置中,上传文件后,文件展示在引用文件列表中,展示各解析方式的解析状态。
5.智能体引用文件设置中,解析完成后,可进行文件的操作:
搜索和筛选:使用搜索功能快速找到特定的文件,或通过筛选条件(如token长度、解析状态等)来缩小文件范围。
移除文件:对于不再需要问答的文件,点击“删除”,可以选择移除它们,以保持问答内容的整洁和相关性。
打开文件:在智能体设置的引用文件界面中,点击“打开文件”,可唤起本地文件打开查看。
查看文件文本:可以对文件的Long Token解析内容进行查看。
查看解析内容:可以对文件的解析方式Baseline、DocMenu、QA解析内容进行查看。
6.智能体文件解析完成后,点击“前往智能体问答”,进入问答页面可以进行引用文件的知识库问答使用。
7.智能体设置的消息记录功能:
查看消息记录:在智能体设置的消息记录界面中,查看对应知识库智能体所有的问答交互历史。
删除记录:对于不再需要或错误的问答记录,点击“删除”,可以选择删除它们,以保持消息记录的整洁和相关性。
搜索和筛选:使用搜索功能快速找到特定的问答记录,或通过筛选条件(如问答时间、标记状态等)来缩小结果范围。
结果标记:对于每个问答结果,用户可以进行正确或错误的标记。这有助于智能体学习并改进未来的响应。
结果修改:如果发现某些问答结果不准确或需要更新,通过“查看详情”,编辑和修改回答结果,点击“标记正确”,确认结果修改完成,确保提供的信息是最新和最准确的。
1.在知识库智能体的问答页面,进行知识库引用文件信息的问答。
2.用户可以利用知识库问答页面中的问答记录,对答案进行正确或错误的标记。问答记录和标记会保存到对应知识库设置页面的消息记录中。当答案被标记为正确时,系统将在未来的查询中优先使用这些经过验证的信息来提供答案。若答案被标记为错误,系统将在下一次问答中生成新的答复,以提高回答的准确性。
3.在知识库问答页面,用户可以选定一个问答结果,并通过点击“日志”按钮,访问并查看该问答结果的缓存搜索、相似度匹配以及提示词提取内容的详细情况。
4.在知识库问答页面,点击“附件”,用户可以继续上传文件或关联知识库文件,以达到更多行业文件的问答数据。
5.在知识库问答页面,上传文件后,可以查看文件库数量以及上传文件的解析状态。
其他更新优化
1.本地模型更新
ollama升级:升级更新内置ollama服务。
新增本地模型:引入gemma2:2b模型,增强本地智能问答能力。
2.用户界面优化
界面优化:文件检索、文件精读、文件生成功能已移动至"我的智能体",优化了用户操作流程和体验。
53AI,企业落地大模型首选服务商
产品:场景落地咨询+大模型应用平台+行业解决方案
承诺:免费场景POC验证,效果验证后签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2025-03-10
超越 RAG:Memobase 为 AI 应用注入长期记忆
2025-03-10
【AI落地应用实战】RAGFlow + 知识图谱 + Deepseek 初步探索
2025-03-10
milvus lite快速实践-了解RAG落地背后的机制
2025-03-09
为什么RAG系统要拥抱向量检索?揭示关键字检索的致命弱点!
2025-03-09
不要盲目再使用DeepSeek R1和QWQ这些推理模型做RAG了
2025-03-07
r1-reasoning-rag:一种新的 RAG 思路
2025-03-05
提高企业 RAG 准确性的分步指南
2025-03-05
DeepSeek-R1 x Agentic RAG:构建带"深度思考"开关的知识研究助理|深度长文
2024-09-04
2024-10-27
2024-07-18
2024-05-05
2024-06-20
2024-06-13
2024-07-09
2024-07-09
2024-05-19
2024-07-07
2025-03-05
2025-03-03
2025-03-02
2025-02-28
2025-02-24
2025-02-23
2025-02-15
2025-02-12