隨著技術的快速發展，檢索增強生成（RAG）成為構建智能知識庫的核心方案。嘉為藍鯨 OpsPilot基于 RAG 技術打造高效知識處理體系，在 RAG 預處理環節，提取與分塊技術通過精準解析文檔結構、拆分語義單元為后續處理奠定基礎。而在知識處理的 “下半場”，Embedding 與 檢索 作為連接預處理與大模型應用的關鍵橋梁，前者做“翻譯家”，把文本變成機器能懂的數字密碼，后者則是 “導航器”，用這些密碼在知識庫快速找到答案。

在 RAG 系統中，Embedding起到兩次關鍵轉換的作用。一是接收預處理過后的文本塊，將其轉為高維向量存于數據庫。二是用戶提問時，Embedding 模型將問題轉為 “問題向量”，系統匹配 “相似向量”，提取對應文本內容與問題構成提示詞，輸入大語言模型（LLM），生成回答，完成對話檢索閉環。

在OpsPilot中，Embedding 和檢索設置是怎么相互協作發揮優勢的呢？

1）Embedding

將文本轉化為向量，以數學形式捕捉語義特性與關系，使計算機能夠“理解”數據

• 其核心是接收文本分塊并轉化為高維向量，映射至空間中；
• 語義相近則向量位置近。例如“貓在沙發上睡覺”，計算機本無法理解，經Embedding模型，“貓”“沙發”等被轉成特定向量，且語義相近的詞（如“貓”與“小貓”）向量靠近，無關的則遠離。它為詞在數學空間分配“地址”，使計算機能理解詞及關系，進行距離計算等操作，為檢索、分析等奠基。

2）檢索設置

通過向量相似度匹配，從海量知識庫中快速定位相關信息

• 以混合檢索（文本 + 向量）為例，結合關鍵詞搜索與向量語義搜索，通過打分機制綜合判斷，既能利用關鍵詞快速過濾，又能通過向量相似度挖掘深層語義關聯；
• 在知識庫中，這種檢索方式可避免傳統關鍵詞檢索的片面性，確保在復雜知識體系中高效獲取相關內容，為用戶提供更準確、全面的知識支持。

01.OpsPilot的Embedding模型

OpsPilot目前已經內置2個常用的Embed模型，具體有如下優勢：

1）FastEmbed (BAAI/bge - small - zh - v1.5) 模型

其作用與優勢如下：

• 模型專為中文語境優化，對中文語境的適應性強；
• 對復雜語義及領域術語理解精準深入；
• 計算效率高且資源消耗低：其 95M 的輕量體積使其在 GPU 顯存不足時仍可于 CPU 運行，尤其適合大規模數據處理場景。

2）bce - embedding - base_v1 模型

• 模型架構特點與多數據格式兼容性；
• 跨領域知識融合能力，在不同行業場景的應用優勢顯著；
• 模型穩定性強，可確保長期穩定運行，滿足多樣化業務需求。

02.OpsPilot檢索機制

擁有了文本分塊和向量空間數據，OpsPilot使用三種檢索設置實現對知識庫的高效、精準檢索。

• 純文本搜索：基于關鍵詞搜索技術，從大量文本數據中搜索并提取相關文檔。提供 “匹配”（模糊查找包含特定關鍵詞的文檔）和 “精確匹配”（嚴格要求關鍵詞按指定順序相鄰出現）兩種模式。適用于明確關鍵詞的場景，當用戶使用明確關鍵詞時，文本搜索可快速過濾。

• 純向量搜索：利用向量空間模型，計算向量空間中的向量和問題向量間的相似度，從而找到最匹配的數據。可設置返回數量（最終展示的最相似分塊數量）和候選數量（初步篩選后可能相關的分塊總數）。可挖掘語義層面的關聯信息，彌補關鍵詞搜索的局限性，例如，當用戶查詢含模糊語義時，向量搜索能通過語義相似性定位相關知識。

• 混合檢索：同時開啟文本搜索與向量搜索，系統會根據各自權重綜合打分，兼顧關鍵詞匹配和語義相似性，將最終結果按打分從高到低展示，提升檢索全面性與準確性。

嘉為藍鯨OpsPilot基RAG技術，通過預處理-Embedding-檢索三階體系構建智能知識庫。Embedding轉換文本為語義向量，混合檢索融合關鍵詞匹配與向量搜索，內置雙模型適配中文及跨領域場景，實現精準語義關聯與高效知識閉環，賦能智能運維。

03.嘉為藍鯨OpsPilot——更懂運維的AI平臺

嘉為藍鯨OpsPilot是集知識庫管理、技能配置、機器人管理和工具管理為一體的智能運維支撐平臺，深度融合 LLM 大模型的語義理解、知識增強與多模態處理能力，聚焦運維領域，突破單一 LLM 能力局限，成為更懂運維的智能 AI 平臺。