今天就來給大家介紹一個Cherry studio中非常實用的功能，那就是本地知識庫的構建。

廢話不多說，開整！

RAG原理簡介

先給大家簡單科普一下RAG的原理。

RAG（檢索增強生成）是一種生成式AI技術，通過結合外部知識庫的信息和模型生成的內容，提升生成內容的質量和相關性。

具體的流程就是：

1. 首先，將外部知識庫中的信息進行向量化處理，形成一個向量數據庫。
2. 然后，將用戶的問題輸入到模型中，模型會根據問題從向量數據庫中檢索出相關的信息。
3. 最后，將檢索出的信息與模型生成的內容相結合，生成最終的回答。

實操環節

下面進入實操環節。

首先，我默認大家已經配置好了白嫖的Qwen3-235B-A22B模型的api，如果沒有配置的可以看我上一期文章。

1. 準備嵌入模型

注冊登錄硅基流動，注冊之后2000萬Tokens，deepseek爆火那會兒好像是直接送余額。

這個Token多少無所謂，因為我們已經設置了白嫖的qwen3了，我們實際上是要使用硅基流動免費的嵌入模型。

嵌入模型的作用就是將文本轉換為向量，然后存儲在向量數據庫中。這是構建本地知識庫很關鍵的一步。

和上期一樣，我們注冊登錄認證后，新建一個API密鑰，然后復制備用。

2. 配置模型

打開Cherry studio的模型配置頁面，選擇硅基流動，粘貼剛剛復制的API密鑰，然后點擊模型管理。

點擊嵌入模型列表，第一個BAAI/bge-m3就是免費的版本，1024維（維度越高，匹配越精準），8k的輸入長度，這個參數足夠我們日常使用了。

接著點擊重排模型列表，選擇免費的BAAI/bge-reranker-v2-m3，這個模型是用來對檢索出的信息進行重排序的，提升匹配的精準度。

到這，我們需要的模型就全部準備好了。

3. 構建知識庫

下面我們開始構建本地知識庫。

首先進行知識庫的初始配置，設置好名稱，再把剛剛配置好的嵌入模型和重排模型添加進來。

點擊確認后，就會進入知識上傳頁面。可以看到這里的上傳方式有很多。我們先從最簡單的文件上傳開始。

點擊添加文件，我這里先選了10個AI相關的報告測試一下，點擊打開。

接著所有的文件就會開始進行向量化，文件右側閃爍的小藍點就代表正在向量化，變成綠色就代表向量化完成。

其他上傳方式也很好理解，我就不一一演示了，大家有興趣可以看下面這張圖。

4. 測試知識庫

到這我們的知識庫就配置好了，我先簡單測試一下。在搜索框內輸入【企業落地場景】。

你會發現匹配到6個（之前默認設置的，可以自定義）相關內容切塊，按照相關性進行了倒序排列。

關鍵的是，就算文本塊中沒有關鍵詞，嵌入模型也會根據語意進行匹配，這個就是RAG的強大之處。

5. 構建智能體進行測試

接下來我們構建一個簡單的智能體再測試一下。

分別進行提示詞、模型、以及知識庫的設置。

知識庫問答最害怕模型出現幻覺，所以我們用簡單的提示詞進行限制。

模型選擇白嫖的滿血版Qwen3-235B-A22B。

知識庫選擇剛剛配置好的【AI學習知識庫】。

接著實測一下知識庫問答的效果。

可以看到，qwen3的指令遵循還是做的很好的，思考過程中也很好的考慮了我設置的系統提示詞。

非常克制地僅僅依據知識庫進行了回答，并標注了引用來源。

總結

到這，基于最強開源模型qwen3構建的本地知識庫到這就算完成了。

這套方案是可以永久白嫖的，qwen3每天可以免費調用2000次，對于大多數人或者小的團隊都是夠用的。

如果你覺得匹配的精度還不夠，可以考慮使用硅基流動的其他收費的嵌入和重排序模型，價格也很便宜。

之前官方贈送的15元，我到現在才用了2塊錢！