帮助中心助手
文章和已解决的工单在导入时以产品和语言作为元数据。每个答案都以对应产品的文档为依据。
AI 与 LLM检索Performance 和 Scale 套餐
RAG 知识助手
基于您自己的文档回答问题，分块、元数据过滤、向量与关键词混合搜索以及缓存的重排分数，集于一个引擎。
- 种分块策略
- 3
- 向量 + BM25 搜索
- 混合
- 个额外的向量数据库
- 0
步骤 1 / 5
定义管道
每个段落一个分块。使用您的嵌入模型的维度（这里用 3 让示例保持简短）。
示例会话playing
# 定义管道
hotkv> RAG.CREATE faq 3 STRATEGY paragraph
OK
使用真实 HotKV 命令和示例回复的动画演示。点击任意步骤即可跳转。 命令和回复保持英文，与您在 HotKV 中输入和看到的完全一致。
问题所在
一条检索管道通常意味着一个向量数据库、一个关键词索引、一个分块任务、一个重排器，以及它们之间的胶水代码。每个组件都是又一个需要运行、加固并与文档保持同步的服务，而重排往往是最慢、最贵的一步。
HotKV 如何解决
HotKV 把管道放进已经在为您的应用提供服务的引擎中。定义管道，导入文档，然后搜索。分块、文档元数据以及融合向量相似度与 BM25 关键词评分的混合搜索全部在服务器端运行，重排缓存还会保存 cross-encoder 分数，同一组查询与段落绝不会被评分两次。
逐步演示
逐条命令，看看发生了什么
- 01
定义管道
每个段落一个分块。使用您的嵌入模型的维度（这里用 3 让示例保持简短）。
RAG.CREATE faq 3 STRATEGY paragraph - 02
导入文档
每个文档都在服务器端分块，并与其元数据以及每个分块一个向量一起存储。
RAG.INGEST faq doc:1 "To reset your password, click Forgot password on the login screen.\n\nBilling questions go to the billing team." META source help-center VECTORS 0.9,0.1,0.0 0.0,0.2,0.9 - 03
混合搜索
一次查询同时考虑向量相似度和关键词相关性，并限定在一个来源内。
RAG.SEARCH faq "how do I reset my password" K 2 ALPHA 0.5 VECTOR 0.88,0.12,0.01 FILTER source help-center - 04
重排，但只做一次
cross-encoder 的分数按查询和分块缓存在用 RERANK.CREATE 创建的命名空间中，热门查询不必再次为重排付费。
RERANK.GET faq_scores "reset password|doc:1:0" - 05
作答，并检查管道
最佳分块作为上下文交给模型，答案来自帮助中心而不是猜测。RAG.STATS 显示管道中存有的内容。
RAG.STATS faq
适用场景
真实场景
法律与政策检索
合同和政策按段落拆分，检索到的段落都是完整的条款，关键词评分还能捕捉条款编号等精确术语。
工程知识
运维手册、设计文档和事后复盘都可以被值班助手按语义搜索。
内置功能
您将获得
引擎内分块
支持固定大小、按句子或按段落分块。固定大小分块的大小和重叠由您选择。
RAG.CREATE混合搜索
一次查询结合向量相似度和 BM25 关键词评分，由 ALPHA 设定两者的权衡。
RAG.SEARCH元数据过滤
导入时附加键值对，搜索时按它们过滤。
RAG.INGESTFILTER重排缓存
保存查询与段落组合的 cross-encoder 分数，重复的评分完全免费。
RERANK.GETRERANK.SET常见问题
HotKV 会生成嵌入吗？
不会。您用自己偏好的模型生成嵌入，导入时通过 VECTORS 传入，搜索时通过 VECTOR 传入。
可以不用向量进行搜索吗？
可以。RAG.SEARCH 接收查询文本用于关键词评分，VECTOR 选项则加入向量相似度。ALPHA 设定两种分数如何融合。
哪些套餐包含此功能？
RAG 管道和重排缓存包含在 Performance 和 Scale 套餐中。