在火山引擎创建知识库时，结构化数据（如csv、excel、json lines）须预先定义字段schema并规范格式，非结构化数据（如pdf、txt）由系统自动切块向量化；上传前需清洗空值、统一枚举值、分离长文本字段。
☞☞☞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☜☜☜
在火山引擎创建知识库时，必须明确区分结构化数据与非结构化数据的处理路径，否则上传后无法被正确解析或检索——结构化数据需提前定义字段Schema，而非结构化数据（如PDF、Word）由系统自动切块向量化。
识别你的数据是否属于结构化类型
结构化数据指具有固定字段、行列分明、可直接映射为数据库表的数据，典型格式包括CSV、Excel（.xlsx）、JSON Lines（每行一个JSON对象）、TSV。若你手头是带表头的Excel表格，含“客户ID、姓名、联系电话、注册时间”等明确列名，且每行记录语义完整，就属于结构化数据。
⚠️ 注意：Excel中若存在合并单元格、多级表头、批注、图表或公式结果未固化，系统将无法识别字段边界，会报错中断导入流程。
非结构化数据则包括PDF、TXT、Markdown、网页HTML源码、PPTX等，这类数据无需预定义字段，由知识库后台自动分段、清洗、嵌入。
上传前必须完成Schema定义
进入火山引擎控制台→知识库服务→新建知识库→选择“结构化数据源”→点击“配置字段映射”。
系统会自动读取你上传的CSV或Excel首行作为候选字段名，但【必须手动确认每一列的数据类型】：文本型（Text）、数字型（Number）、日期型（Date）、布尔型（Boolean）。例如“订单金额”列若被误设为Text，后续按数值范围筛选将失效；“下单时间”若未选Date类型，则无法做“近7天订单”这类时间过滤。
对JSON Lines文件，系统会解析首个JSON对象的键名并列出，你需要勾选参与向量化检索的字段（最多8个），未勾选字段仅存储，不参与语义检索。
三种结构化数据上传方式及限制
方法一：CSV/TSV文件直传
要求UTF-8编码，无BOM头，首行为字段名，禁止空行和尾部逗号。单文件上限50MB，行数不超过100万行。
方法二：Excel（.xlsx）上传
仅支持单Sheet页，Sheet名称不能含特殊字符（如$、#、/），单元格内不可嵌入图片或对象。日期列建议预先设置为“YYYY-MM-DD HH:MM:SS”格式，避免系统误判为文本。
方法三：JSON Lines批量导入
每行一个独立JSON对象，不允许逗号分隔、不允许包裹在数组中。示例正确格式：
{“product_id”: “P1001”, “price”: 299.0, “on_sale”: true}
{“product_id”: “P1002”, “price”: 199.9, “on_sale”: false}
若某行JSON语法错误，整批导入将失败，不会跳过该行。
字段内容预处理关键动作
第一步：清理空值与异常符号
将Excel或CSV中明显用“N/A”“—”“NULL”“未知”填充的单元格，统一替换为空字符串或标准占位符（如“
第二步：标准化枚举类字段
如“订单状态”列含“已发货”“已签收”“待发货”“已取消”，需确保全文档中表述完全一致，大小写、全半角、有无空格都必须统一。火山引擎不支持模糊匹配枚举值，状态字段一旦出现“已发 货”（多空格）就会被当作新值处理，导致筛选失效。
第三步：分离高信息密度文本字段
若某列（如“用户反馈”）包含大段描述性文字（>200字），建议将其单独拆出，标记为“text”类型并勾选“启用全文检索”。其他纯标识类字段（如ID、编码）不要开启向量化，避免噪声干扰语义检索精度。
