语义检索库搭建
把文档连同向量和元数据存进 AgentDB,之后用一句话检索出语义相近的片段,可直接接 RAG 问答。
功能与用途
传统关键词检索遇到换个说法就搜不到的问题:用户问「怎么退订」,文档里写的是「取消订阅流程」,字面对不上就漏掉了。这个能力把文档转成向量存进 AgentDB,检索时比的是语义而不是字面,还能叠加类别、日期这类元数据过滤,并按需要让结果更分散不重复。取回的片段可以直接拼进提示词交给模型作答,也就是常说的 RAG。要注意嵌入维度必须和所用模型对上,写错就查不出东西。
适用场景
- 公司文档上千篇,用关键词搜老是搜不到,同一个意思换个说法就漏:公司文档上千篇,用关键词搜老是搜不到,同一个意思换个说法就漏
- 要给产品加一个按语义找资料的问答入口,需要一个稳定的检索底座:要给产品加一个按语义找资料的问答入口,需要一个稳定的检索底座
- 检索结果里总冒出好几条几乎一样的片段,占掉上下文额度却没什么:检索结果里总冒出好几条几乎一样的片段,占掉上下文额度却没什么新信息
适用人群
- 搭建企业内部知识库问答的工程师
- 做 RAG 应用的算法开发
- 需要给文档检索加语义能力的后端
使用步骤
- 按嵌入模型的维度初始化库,数据量大小选对应的预设,测试阶段可用内存库
- 把文本、向量和来源日期等元数据一起写入,批量写入比逐条快得多
- 用问题向量做相似检索,设好返回条数、相似度阈值和元数据过滤条件
- 需要问答时把取回的片段拼成上下文交给模型,并可起 MCP 服务让编辑器直接调用
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- AI工作流
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 进阶
- 版本
- main
- 最近更新
- 2026-09-17
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
Implement semantic vector search with AgentDB for intelligent document retrieval, similarity matching, and context-aware querying. Use when building RAG systems, semantic search engines, or intelligent knowledge bases.
使用前准备
- 需要 Node.js 18+ 与 AgentDB v1.0.7+
- 用默认嵌入要准备 OpenAI API Key 或自备嵌入模型,要接问答还需大模型服务
依赖与权限
- 读取用户主动提供的内容