🧠 知识库概览（Knowledge Base Overview）

Pop 知识库（Knowledge Base）是用于存储结构化知识、文档信息与可被 AI 检索的内容集合。
它是 Pop 在信息管理与 AI 智能问答中最核心的能力之一，通过对文档进行分段、向量化与索引，使 AI 能够理解、召回并结合上下文提供准确回答。

Pop 的知识库适合个人使用，也支持团队扩展，是构建 AI 驱动内容生产的重要基础设施。

🔍 1. 知识库的作用是什么？

Pop 知识库的目标是：

让 AI 能读懂你的文档（PDF、Word、Markdown、网页内容等）
从你的资料中直接回答问题
辅助生成内容：报告、方案、总结、问答等
作为智能客服、产品文档中心或团队知识库的基础
支持 AI 在回答中引用原文并解释其来源

简而言之：

知识库 = 可被 AI 理解的你的专属资料库

📘 2. Pop 知识库包含哪些能力？

Pop 的知识库系统由以下技术能力构成：

2.1 文档解析能力

自动解析 PDF / DOCX / PPTX / MD 等多种格式
自动提取标题、段落、列表、页结构
识别页面内容、正文、代码块等元素
去噪、清理无意义内容（页眉、页脚等）

2.2 文档分段（Chunking）

为了让向量模型更好理解文档，Pop 使用智能分段策略：

按标题层级切分
按段落语义自动分块
片段长度自动平衡（避免过长或过短）

每一段都用于 AI 检索，确保召回准确。

2.3 向量化（Embedding）

Pop 支持多种向量模型：

bge-m3（默认）
OpenAI embedding
Jina / Cohere
本地模型（如 LLM Studio、Ollama）

每一段文档都会转成向量，用于语义检索。

2.4 检索方式（Searcher）

Pop 内置三种检索方式：

检索方式	特点	使用场景
BM25	传统关键词召回	FAQ、术语精确匹配
KNN 向量检索	语义理解强	文档类、场景类问答
Hybrid（混合）	综合优势，最稳定	推荐默认、客服类、长文档

2.5 RAG（检索增强生成）

完整流程为：

搜索匹配片段
重排片段（提升最佳答案）
LLM 结合文档生成回答
引用原文来源并解释理由

Pop 的 RAG 不只是“搜索+回答”，而是经过多步优化的高质量问答。

📚 3. Pop 知识库的结构

一个完整的 Pop 知识库由：

知识库
 ├── 文档（PDF / Word / Markdown / URL）
 ├── 分段（Chunk）
 ├── 向量与索引（Embedding / BM25）
 ├── 检索策略设置
 ├── 问答配置（RAG）
 ├── 统计与分析面板
 └── 重建索引与任务记录

你可以为不同主题创建不同知识库，例如：

产品手册
技术文档
客户服务 FAQ
论文与笔记
团队内部 SOP

⭐ 4. 适用场景

Pop 知识库最适合以下场景：

4.1 智能问答（AI QA）

向知识库提问，例如：

“我们的退款规则是什么？”
“这份协议的核心条款有哪些？”
“基于我上传的 PDF 帮我总结风险点。”

4.2 客服 AI（Customer Support）

自动回答：

使用说明
常见问题
操作步骤

4.3 文档内容生成

AI 可使用知识库内容作为材料生成：

方案
报告
邮件
产品文档

4.4 团队知识沉淀

团队共享资料，如：

SOP
培训手册
项目文档

⚙️ 5. Pop 知识库的优势

能力	优势说明
多格式支持	PDF / Word / Markdown / URL 等均支持
快速向量化	自动分段 + 向量生成，几秒完成
强大的检索体验	BM25 / KNN / Hybrid 全覆盖
RAG 智能回答	引用原文、解释理由、支持上下文长文理解
可视化管理	索引状态 / 存储大小 / 性能分析
持续扩展	支持未来团队权限、API 接入等

📌 总结

Pop 知识库是 Pop 系统的核心模块之一，为整个 AI 能力提供可靠、可验证的信息基础。

通过：

文档解析
分段
向量化
多模态搜索
RAG 智能回答

Pop 能基于你的知识，持续提供更高质量、更精准的 AI 服务。