SetFN
SetFNDocs2026年10月27日

上下文搜索（AI 搜索）

即使关键词不完全一致，也能理解语义并搜索到相关文件。

使用之前

需要在管理员设置中启用知识索引。只有已完成索引的文件才会成为上下文搜索的对象。

上下文搜索会把文件的语义转换为向量进行存储，因此需要在本地准备好负责这一转换的嵌入模型。

索引和搜索都在工作空间内部处理，文件不会流出到外部。

  • 嵌入模型：将文本转换为向量的模型。如果有较多中文、韩文等多语言文档，建议使用擅长处理多语言的模型（例如：bge-m3）。
  • 要同时查看文档来源，必须已使用该嵌入模型完成索引。

→ 嵌入模型的准备和索引方法：知识索引设置

搜索方法

  1. 在上方搜索框的左侧菜单中选择“上下文搜索”。
  2. AI 搜索辅助 点击搜索框右侧的 🪄 按钮，可以启用 AI 搜索辅助功能。 AI 搜索辅助

AI 搜索结果

AI 会总结搜索结果，并连同公司内部文档的来源一起告知。

文档来源的数字编号与上下文相似度搜索列出的列表顺序相对应。标示为来源的文档就是 AI 生成答案时所依据的资料。 上下文搜索 - AI

以实际文档为依据作答（RAG）

上下文搜索不只依赖 AI 的通用知识。它会先在工作空间中找到与问题相关的实际文档，再将其内容作为依据资料传递给 AI，并把答案和来源一起展示。这称为检索增强生成（RAG，Retrieval-Augmented Generation）。

查找实际文档并用于作答的过程分为索引和搜索两个阶段。

索引（事先准备）

  1. 将文件按语义单元（块）切分。
  2. 嵌入模型（例如：bge-m3）把每个块转换为向量。
  3. 将转换后的向量保存到工作空间的向量存储中。

搜索（提问时）

  1. 输入的问题也用同一个嵌入模型转换为向量。
  2. 按相似度顺序找出与问题向量最接近的块。
  3. 将找到的块作为依据资料传递给 AI。
  4. AI 基于这些资料总结出答案，并把使用过的块标示为文档来源。

得益于这种结构，即使不输入精确的关键词，也能找到语义相近的公司内部文档。AI 答案会一并显示实际参考的文档来源，因此可以直接打开并核对答案的依据。

问题和文档必须用同一个嵌入模型向量化才能相互比较。因此，更换索引时使用的嵌入模型后，需要重新索引全部文件。

与常规搜索的区别

常规搜索上下文搜索
方式关键词文本匹配基于 AI 嵌入的语义搜索
搜索词需要精确的词语可使用自然语言、相近表达
对象文件名·文件内容已做知识索引的文件
前提条件无本地嵌入模型、知识索引

注意事项

  • 刚完成索引后，搜索结果可能有遗漏。请在索引完成后再搜索。
  • AI 的搜索结果会因提问方式而有所不同。请尝试用多种方式提问。
  • 嵌入模型的性能和语言支持范围决定搜索质量。
  • 更换嵌入模型后与现有索引不兼容，需要全部重新索引。

相关文档