直达原文：OpsPilot功能上新：Embedding重构语义空间，混合检索驱动知识发现（内附体验环境）

随着技术的快速发展，检索增强生成（RAG）成为构建智能知识库的核心方案。嘉为蓝鲸 OpsPilot 基于 RAG 技术打造高效知识处理体系，在 RAG 预处理环节，提取与分块技术通过精准解析文档结构、拆分语义单元为后续处理奠定基础。而在知识处理的 “下半场”，Embedding 与 检索 作为连接预处理与大模型应用的关键桥梁，前者做“翻译家”，把文本变成机器能懂的数字密码，后者则是 “导航器”，用这些密码在知识库快速找到答案。

在 RAG 系统中，Embedding 起到两次关键转换的作用。一是接收预处理过后的文本块，将其转为高维向量存于数据库。二是用户提问时，Embedding 模型将问题转为 “问题向量”，系统匹配 “相似向量”，提取对应文本内容与问题构成提示词，输入大语言模型（LLM），生成回答，完成对话检索闭环。

在 OpsPilot 中，Embedding 和检索设置是怎么相互协作发挥优势的呢？

1）Embedding ：将文本转化为向量，以数学形式捕捉语义特性与关系，使计算机能够 “理解” 数据

• 其核心是接收文本分块并转化为高维向量，映射至空间中；

• 语义相近则向量位置近。例如“猫在沙发上睡觉”，计算机本无法理解，经 Embedding 模型，“猫”“沙发”等被转成特定向量，且语义相近的词（如“猫”与“小猫”）向量靠近，无关的则远离。它为词在数学空间分配“地址”，使计算机能理解词及关系，进行距离计算等操作，为检索、分析等奠基。

2）检索设置：通过向量相似度匹配，从海量知识库中快速定位相关信息

• 以混合检索（文本 + 向量）为例，结合关键词搜索与向量语义搜索，通过打分机制综合判断，既能利用关键词快速过滤，又能通过向量相似度挖掘深层语义关联；

• 在知识库中，这种检索方式可避免传统关键词检索的片面性，确保在复杂知识体系中高效获取相关内容，为用户提供更准确、全面的知识支持。

01.OpsPilot 的 Embedding 模型

OpsPilot 目前已经内置 2 个常用的 Embed 模型，具体有如下优势：

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

其作用与优势如下：

• 模型专为中文语境优化，对中文语境的适应性强；

• 对复杂语义及领域术语理解精准深入；

• 计算效率高且资源消耗低：其 95M 的轻量体积使其在 GPU 显存不足时仍可于 CPU 运行，尤其适合大规模数据处理场景。

2）bce - embedding - base_v1 模型

• 模型架构特点与多数据格式兼容性；

• 跨领域知识融合能力，在不同行业场景的应用优势显著；

• 模型稳定性强，可确保长期稳定运行，满足多样化业务需求。

02.OpsPilot 检索机制

拥有了文本分块和向量空间数据，OpsPilot 使用三种检索设置实现对知识库的高效、精准检索。

• 纯文本搜索：基于关键词搜索技术，从大量文本数据中搜索并提取相关文档。提供 “匹配”（模糊查找包含特定关键词的文档）和 “精确匹配”（严格要求关键词按指定顺序相邻出现）两种模式。适用于明确关键词的场景，当用户使用明确关键词时，文本搜索可快速过滤。

• 纯向量搜索：利用向量空间模型，计算向量空间中的向量和问题向量间的相似度，从而找到最匹配的数据。可设置返回数量（最终展示的最相似分块数量）和候选数量（初步筛选后可能相关的分块总数）。可挖掘语义层面的关联信息，弥补关键词搜索的局限性，例如，当用户查询含模糊语义时，向量搜索能通过语义相似性定位相关知识。

• 混合检索：同时开启文本搜索与向量搜索，系统会根据各自权重综合打分，兼顾关键词匹配和语义相似性，将最终结果按打分从高到低展示，提升检索全面性与准确性。

嘉为蓝鲸 OpsPilot 基 RAG 技术，通过预处理-Embedding-检索三阶体系构建智能知识库。Embedding 转换文本为语义向量，混合检索融合关键词匹配与向量搜索，内置双模型适配中文及跨领域场景，实现精准语义关联与高效知识闭环，赋能智能运维。

03.嘉为蓝鲸 OpsPilot——更懂运维的 AI 平台

嘉为蓝鲸 OpsPilot 是集知识库管理、技能配置、机器人管理和工具管理为一体的智能运维支撑平台，深度融合 LLM 大模型的语义理解、知识增强与多模态处理能力，聚焦运维领域，突破单一 LLM 能力局限，成为更懂运维的智能 AI 平台。