← 返回教程

FastGPT 有多个知识库时,怎样核对问题路由到哪个库

FastGPT有多个知识库时,应该记录问题被判断成什么意图、选择了哪个目标库,以及实际召回来自哪里。只看最终答案无法区分分类错、库标识传错还是检索质量差。本文假设用户本来就有权访问待选资料,重点是路由正确性,权限隔离需另做测试。

从三个职责不同的库开始

合成知识库分别保存产品参数、售后政策和安装指导。问题“白石B功率多少”应进入产品参数;“耗材是否保修”应进入售后;“接电前检查什么”应进入安装。每个库有不同唯一标记,帮助识别真实命中来源。

并非所有问题都应该只进一个库。“这个型号安装后还能保修吗”可能同时涉及安装与售后,但也缺明确型号。预期应先追问或按任务设计检索多个已授权来源,不能强行把所有问题压进唯一分类。

附件列出明确意图、跨库和缺条件问题,分别保留目标库与实际库。库名只是项目别名,实际标识需在目标环境填写;本文没有创建或测试真实FastGPT工作流。

先定义路由契约

将允许的意图写成有限集合,例如参数、售后、安装、需要澄清和超出范围。每个意图映射到受控知识库标识,映射由服务端或配置维护,不直接接受模型输出的任意库ID。分类结果是建议,不是授权。

对于跨库问题,说明是拆成子问题、并行检索还是先追问。每种方式都有成本与复杂度,不应仅因平台能连接多个库就默认全部查询。目标是拿到足够证据,避免无关库内容互相干扰。

若问题分类使用模型,输出字段与允许值需要校验。未知标签、空标签或格式错误应走澄清或安全默认路径,不能默认查所有库。正式实现方式依目标版本节点和API能力核对,本文不编造节点参数。

按三层保存轨迹

第一层是原问题与分类结果,检查是否丢失型号、业务动作和否定词。第二层是映射后的实际知识库范围,检查配置是否指向正确环境与集合。第三层是召回来源和最终答案,检查检索是否落到预期资料。

官方知识库搜索说明显示,召回还可能经过问题优化、多路检索与重排,路由正确也不保证最终证据正确。因此先确认实际搜索范围,再评估库内结果,不要把所有错误都交给分类提示解决。

举例说,分类为售后但实际范围是产品库,修映射;范围正确却命中安装指南,查库内混入资料或来源标识;片段正确而答案漏耗材例外,查生成。这三条证据链应对应不同责任人。

连续对话要专门测

用户先问白石B参数,再问“那保修呢”,需要利用必要上下文确定对象,同时切换到售后任务。若系统只在第一轮分类,后续始终沿用参数库,就会出现看似记忆问题的路由错误。反过来,每轮完全独立分类也可能丢失“那”的指代。

测试时保留完整轮次、每轮意图与库范围。新增话题、回到上个型号和用户纠正型号,都应有明确预期。若产品设计为每轮可变路由,配置与缓存也应按轮次更新。

测模糊问题与越界请求

“这个怎么弄”“政策是什么”缺少对象,正确行为通常是追问,而不是靠随机相似性选择库。超出业务范围的问题应明确边界,不为了提高回答率而检索全部资料。

即使用户说“去渠道库查”,仍需先做权限判断;这属于路由前提,不能由问题文本授予访问。本文矩阵只在授权范围内比较,正式交付应另接两角色越权测试。

结果核对与改进

按意图统计选择正确、错误、需要澄清与无法判定,保留原始样本,不把所有跨库问题都当分类失败。再看每个目标库内部的必要证据命中。先修路由,再调库内检索,才能减少变量混淆。

修复后重跑明确题、跨库题和连续对话,确认没有为了一个例子把其他类别弄坏。路由表、分类提示和知识库清单都要版本化,新增一个库时补充它与现有库的边界问题。最终交付应能从每条回答回到选择路径,而不是只展示一张连满节点的画布。

新增知识库时,应专门设计与旧库重叠的边界题。例如产品库也写安装电压,安装库包含同样数值,系统可能两边都能回答;此时应按任务目的确定首选来源,并允许有依据的跨库引用。评分不能把所有非首选库命中都算错,而要检查是否满足来源优先级与必要条件。若两库内容冲突,先交资料负责人处理,不让分类模型通过随机选择掩盖冲突。

官方依据:FastGPT知识库搜索方案说明召回后的处理链;应用常见问题讨论上下文差异与后续问题分类。本文路由契约为项目设计,需在目标版本实现与验证。

可下载本文合成样例与记录表,附件里的数据只用于演示核对方法,请在副本中填写目标环境结果。更多背景可看专题与相关原理及交付说明。需要把这套核对接进已有业务系统,可带上脱敏材料、当前版本与失败记录,通过定制咨询讨论范围;集成商可查看系统集成协作。

这个页面有问题?

提交时会附带当前页面地址和浏览器信息,帮助我们定位问题。不填联系方式即为匿名。