知识库节点

该节点是BetterYeah AI 平台「知识库」模块在Flow中的使用形式，用于在Flow中操作「知识库」，根据查询内容从知识库中找到相关内容。在阅读本文档前，需要你先对「知识库」有一个大概得了解， 如果你还不了解知识库，先点击这里快速熟悉「知识库」。

查询知识库

为什么要查询知识库

知识库模块在BetterYeah AI平台中扮演着重要的角色，它充当着一个存储大量静态数据的自然语言库，如同一本书。通过查询知识库，用户能够以简短的语言快速从其中海量的数据中，根据语义找到相关的段落。这一功能特别适用于需要从大量信息中迅速提取关键内容的场景。

利用知识库的查询功能，可以极大地提高信息检索的效率和准确性。例如，如果您想要了解“公司的年假有几天？”这类具体的信息，只需在员工手册的知识库中进行查询，系统即可根据语义匹配，快速定位到与年假相关的段落。这个过程不仅节约了时间，还避免了不必要的资源消耗。

如何查询知识库

第一步，选择一个知识库，如果你还没有知识库，需要在知识库模块创建一个知识库。

第二步（可选），选择或者输入标签，标签是为了更精准的索引到知识库中打了相同标签的一批文档，当然，你也可以跳过选择标签的步骤，如果跳过，默认知识库会从知识库中所有的文档中找符合语义的结果。

第三步，选择查询方式，平台提供混合查询、关键词查询、语义查询三种方式，你可以根据你的场景选择最适合你的查询方式，想要了解这三个查询方式的区别，请跳转命中测试。

第三步，输入查询关键词，以检索知识库中的内容。关键词可以是单个词汇或完整句子。选择合适的查询关键词应依据您的业务场景。通常情况下，查询关键词作为一个变量，源自于之前流程节点的输出，例如用户在「开始节点」的输入。

第四步（可选），选择最大查询结果数，即查出来的相关段落数

第五步（可选），选择是否使用结果重排算法，结果重排可以参考结果重排

第六步（可选），选择知识库的输出方式，文本输出，还是以JSON输出。

文本格式输出和JSON输出的区别

以一个例子说明。假设我们有一个知识库，里面其中一个文件叫《员工手册》，我们查询的内容是“如果迟到了怎么办？”

如果是文本格式输出，那么知识库的输出结果如下示例：

「文件名」员工手册
「段落内容」：
首次迟到： 第一次迟到将接受口头警告，并记录在员工档案中。员工需向直接上级解释迟到的原因。
二次迟到： 第二次迟到将接受书面警告，并要求员工提供书面解释。可能会安排与直接上级的会议，讨论避免未来迟到的措施。
三次及以上迟到： 第三次及以上迟到将视为严重违反工作纪律，将根据情况考虑进一步的纪律处分，包括但不限于工资扣除、暂停工作、或终止雇佣。

如果是以JSON格式输出，那么结果如下示例：

[
   {
       "vector_id": "72a573c1bbd92b5969198cc9e82f7ac6",
       "file_id": 2113,
       "file_name": "员工手册",
       "mimetype": "application/pdf",
       "chunk_id": 0,
       "content": "首次迟到： 第一次迟到将接受口头警告，并记录在员工档案中。员工需向直接上级解释迟到的原因。
二次迟到： 第二次迟到将接受书面警告，并要求员工提供书面解释。可能会安排与直接上级的会议，讨论避免未来迟到的措施。
三次及以上迟到： 第三次及以上迟到将视为严重违反工作纪律，将根据情况考虑进一步的纪律处分，包括但不限于工资扣除、暂停工作、或终止雇佣。"
       "relevance_score": 0.8833,
   }
]

返回字段解释：

字段名	描述
vector_id	段落向量id，知识库内置字段
file_id	文件id，如果想通过API操作知识库，可以用到这个id
file_name	文件名
mimetype	文件类型
content	段落内容
relevance_score	相关性得分，得分越高代表结果和问题越匹配

可以看出，文本格式输出比较简单，比较利于LLM节点理解。JSON格式的输出内容比较丰富，可以给开发者更多的发挥和自定义空间。

插入知识库

通过在Flow中使用插入知识库节点，可以方便地将内容写入到知识库中。例如，在一个Flow中，借助LLM处理客服人员与客户之间的对话记录，并将对话总结后的信息持久化保存至知识库，以此方式构建基于历史对话记录的知识库。这一场景下，使用插入知识库功能便成为必选项。

操作插入知识库功能极为便捷，仅需选择目标知识库及其中的特定文件，即可实现内容的插入。