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：需结构化整理内容、按类型选择切片方式、搭配中文embedding模型、设置元数据过滤与相似度阈值、启用rerank及rag强制模式。
☞☞☞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☜☜☜
知识库内容必须结构清晰、语义完整
不要直接丢一个大 PDF 或长网页进去。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、每项政策单独成段
- 每段开头加明确标题（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+发票开具”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，但如果你的知识库是技术手册、合同条款或客服话术，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（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，得防止误召无关但词面接近的内容（比如搜“退款”，召回“换货流程”）。
- 在知识库配置中开启 元数据过滤，例如标记“type: 售后”“category: 金融”，提问时可限定范围
- 设置 最小相似度阈值（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（即“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
