LongCat AI知识库精准查询：存储、切片、匹配与回答约束四步配置指南
许多用户咨询如何提升LongCat AI知识库的查询准确率。其实，这并非单纯依赖模型智能，而在于四个核心环节：知识存储方式、切片策略、匹配机制与回答约束。整个过程并非调用API即可完成，而是需要逐一进行针对性配置。
知识库内容需结构清晰、语义完整
切勿直接将大型PDF或长网页导入，否则如同让模型在杂乱信息中搜索精准内容。LongCat的向量检索依赖语义理解，若原始材料段落混乱、标题缺失、关键信息分散，模型将难以准确召回。
- 优先使用Markdown或纯文本整理资料，确保每条规则、每个FAQ、每项政策均独立成段
- 每段开头添加明确标题，例如“【售后时效】”“【优惠券使用限制】”，以帮助模型识别主题边界
- 避免将多个不相关知识点混合在同一段落中，例如“发货时间+退货流程+发票开具”混杂，会干扰向量表征
切片方式与嵌入模型需匹配内容类型
默认的General切片适合通用文档，但若知识库为技术手册、合同条款或客服话术，则需要更精细的切片策略。
- 法律/合同类：推荐使用Paragraph切片，保留完整句子逻辑，避免跨句截断
- FAQ/问答集：采用Question-Answer模式，自动按问答对分离，提升问题匹配率
- 务必搭配高质量中文embedding模型，例如SiliconFlow的bge-zh-v1.5，而非仅用通用英文模型
检索阶段需控制召回范围与相关性阈值
仅依赖“最相似”检索并不足够，需防止误召回词面相近但内容无关的片段。例如用户搜索“退款”，模型却召回“换货流程”，则无法满足需求。
- 在知识库配置中启用元数据过滤，如标记“type: 售后”“category: 金融”，提问时可限定检索范围
- 设置最小相似度阈值，例如0.65，低于该值的片段直接忽略，不参与生成
- 启用重排序（Rerank）功能，利用LongCat自身对召回结果进行二次评分，比纯向量检索更精准
生成阶段必须绑定“只答所见”原则
即使检索再精准，若AI自由发挥，答案依然可能偏离。必须通过系统级约束将其锁定在检索结果之内。
- 在Agent配置中启用RAG强制模式，即“仅基于检索内容回答”
- 关闭模型自由温度，将temperature设为0.1～0.3，禁用top_p，避免幻觉扩散
- 要求输出末尾自动附上来源链接或段落编号，倒逼模型不敢编造