skywork智能代理知识库接入关键在分类清洗、语义切片、精准向量化三步：先按业务线与文档类型双维度分类并ocr清洗，再依文档结构用中文语义边界切片，最后用baai/bge-small-zh-v1.5模型向量化并配置milvus三路召回。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
构建 Skywork 智能代理的知识库接入，核心不是“传得进去”，而是“让 AI 真正读得懂、查得准、用得稳”。关键在三步：分类清洗、语义切片、精准向量化——跳过任一环节，后续问答准确率会断崖式下跌。
第一步：按业务线+文档类型双维度分类清洗
别把所有文件一股脑拖进知识库。先建一级目录（如「客户服务」「产品中心」「合规法务」），再在每类下设二级子目录（如「FAQ」「SOP」「会议纪要」）。扫描件必须提前用支持中文字体抗锯齿和表格还原的 OCR 工具转为可复制文本；Word/PDF 中的页眉页脚、修订痕迹、自动编号要批量清除——这些非正文内容会严重稀释语义浓度。
清洗完成后，每个子目录单独打包为 ZIP，命名格式统一为「部门_文档类型_日期」，例如「客户服务_FAQ_20260528.zip」。
第二步：用中文语义边界智能切片
硬按字数切（比如每512字一段）会导致句子被截断、条件丢失。推荐两种方式：
- 对通用文档：用 LangChain 的 RecursiveCharacterTextSplitter，设置分隔符为
['\n\n', '\n', '。', '!', '?', ';', ':', '、', ',', '']，chunk_size=384，overlap=64。它能识别空行与中文标点，避免把“须在提交前确认协议第3.2条”切成两段。 - 对结构清晰的文档（如制度/SOP）：改用 MarkdownHeaderTextSplitter，指定标题层级
[("#", "level1"), ("##", "level2")]，系统会自动注入 section_path 元数据，后续检索可强制限定在「# 退货流程 ## 退款时效」范围内召回。
切片后务必人工抽检10个片段，剔除半句话、孤立项、无主语短句——这类问题必须回退修改，不能留到向量化阶段。
第三步：选用中文专用模型 + 匹配索引策略
别用英文 embedding 模型凑合。必须选用 BAAI/bge-small-zh-v1.5 这类专为中文语义优化的嵌入模型。向量入库时，在 Milvus 中建 IVF_FLAT 类型索引，配合三路召回（关键词+向量+元数据）加摘要重排，才能把答非所问率压到 5% 以下。
特别注意：上传后需手动点击右上角「Sync Now」按钮，否则知识库内容不会实时生效；若文档含扫描件或表格图片却未 OCR，关键信息抽取准确率将低于 60%。
验证是否真正接入成功
不靠界面显示“已上传”，而要看实际效果：
- 输入一个具体问题，比如“客户下单后多久能改地址？”，答案必须精确指向某份 SOP 文件的某一条款，而非泛泛而谈；
- 追问“这条依据哪年更新的？”，AI 应能返回对应文档的时间戳或版本号；
- 测试跨文档关联，如问“对比 A 版和 B 版退换货政策，差异在哪？”，应能自动比对两份文档的对应章节并结构化输出。
没通过这三项验证，说明知识库只是“存进去了”，还没“活起来”。
