Skip to main content
在 XpertAI 知识库 中，内置了强大的 召回测试功能，用于模拟真实用户查询场景，通过输入关键词或问题来检验知识库的召回质量。 系统会自动调用已索引的内容区块，并根据相似度分值进行排序。一般而言，问题与内容块的匹配度越高，AI 模型输出的答案就越接近原始文档语义，体现出更优的“知识召回”效果。 你可以自由切换不同的检索方式与参数配置，以直观地评估召回结果的相关性与覆盖度。 XpertAI 当前的知识库采用 统一的分块树状结构（Chunk Tree Structure），因此所有测试均基于父子层级的语义召回逻辑。

​
通用测试模式

在 源文本输入框 中输入常见用户问题或关键词后，点击 测试 按钮，即可在右侧的 召回结果区 中查看匹配的内容区块。
  • 每个内容块右上角显示相似度得分，表示问题与该区块的匹配程度。
  • 得分越高，说明该区块与问题语义的相关度越强。
  • 点击内容块可查看详细内容及其在文档中的来源。
每个召回结果下方会显示文档信息来源，你可以借此判断分块是否合理、语义边界是否清晰。

​
父子结构测试模式

XpertAI 的知识库统一使用 树状分块结构，子块在召回时会带出其父块上下文，为 AI 模型提供更完整的语义信息。 在测试过程中：
  • 用户输入问题后，系统会首先匹配最相关的子分块；
  • 然后自动回溯其父分块，整合上下文进行展示；
  • 匹配得分显示在右上角，用于衡量命中片段与问题的匹配程度。
点击召回结果中的引用源可直接查看原文内容。 详情页左侧为父分块信息，右侧为命中的子分块。系统可能命中多个子节点，并在每个节点前展示对应匹配得分，便于开发者分析分块合理性与召回表现。

​
查询记录与应用调用

在 记录 面板中，可以查看召回测试的历史查询记录。 如果该知识库已被绑定至数字专家或其他 AI 应用中，应用内部触发的知识库查询也会在此同步展示，便于统一追踪召回日志与效果。 启用智能过滤后，授权用户还可以在调试信息中查看固定条件、测试条件、Agent 动态条件、最终生效条件、候选文档数、候选分块数、最终命中数、向量后端和各阶段耗时。日志不会保存文档正文，访问权限沿用知识库权限。

​
调整文本检索方式

点击输入框右上角的 检索配置图标，即可切换当前知识库的检索方式及参数。 修改后的设置仅在当前召回测试中生效，方便开发者对比不同检索策略的效果。 若要全局修改，请前往 “知识库设置 > 检索设置” 进行保存。

​
对比 GraphRAG 检索模式

知识库启用 GraphRAG 且状态为“已就绪”后，可以用同一个关系型问题分别测试三种模式：
  • Vector：验证只使用分块语义能否找到正确来源；
  • Graph：验证种子实体匹配、邻域扩展和基于证据的分块召回；
  • Hybrid：验证合并向量分数与图谱分数后能否改善排序。
除了返回分块和引用，还应检查匹配实体与关系。Graph 没有找到预期来源时，先在可视化图谱中确认实体、关系或证据是否存在，再决定是否提高“实体 Top K”和“邻域跳数”。参阅知识图谱与 GraphRAG。

​
测试结构化过滤条件

召回测试面板支持为当前测试提供类型化过滤条件。测试条件与系统边界、固定条件使用 AND 合并，不能扩大 Agent 绑定允许访问的范围。 建议分别验证以下情况：
  1. 只使用固定条件：确认未提供动态条件时，结果仍全部位于管理员限定范围内。
  2. 组合系统字段：测试文件名、逻辑文件夹、扩展名和 MIME 类型。
  3. 组合业务 metadata：测试文档级和分块级字段是否得到相同的候选范围。
  4. 零命中：确认合法条件零命中时不会由服务端自动放宽。
  5. 错误条件：确认未知字段、错误类型和非法操作符会显示结构化原因。
  6. 禁用内容：确认禁用文档和禁用分块不会出现在结果中。
例如，可在固定条件限定“水利 + 有效文档”的前提下，添加 document.fileExtension = pdf 和 metadata.effectiveYear = 2025，再检查命中文档、分块和引用来源是否全部满足条件。

​
测试文件夹范围

  1. 添加 document.folderPath 测试条件。
  2. 选择“等于”只测试一个目录；选择“位于目录下”则同时包含其全部后代目录。
  3. 从值列表中选择目录。面板会提交类似 水利/华东 的规范逻辑路径，不要复制存储 filePath。
  4. 执行测试，并在诊断信息中检查候选文档数、候选分块数和最终生效条件。
根目录选项表示空的逻辑文件夹路径。规范路径没有开头或结尾的 /，但“位于目录下”在校验 API 输入时会规范化这些斜杠。 有关可用字段、操作符和 Agent 自动过滤行为，请参阅智能过滤检索。

​
召回测试建议步骤

  1. 准备测试集：设计覆盖常见用户问题的测试问题集，确保场景多样。
  2. 验证检索边界：先确认固定条件和禁用状态正确，再测试 Agent 可能生成的动态条件。
  3. 选择检索策略：智能过滤当前用于 Vector 模式；根据内容特点与应用场景选择向量后端。
  4. 调优参数：通过调整召回数量（TopK）和相似度阈值（Score），平衡召回的相关性与完整性。
  5. 检查诊断数据：关注候选数量、零命中率、过滤耗时和动态条件降级原因。

​
TopK 与 Score 参数说明

  • TopK：表示按相似度分数倒序时召回的最大内容块数量。
    • 值较小：召回更精简，但可能遗漏部分相关片段。
    • 值较大：召回更全面，但可能包含低相关片段，影响最终回答质量。
  • Score（召回阈值）：设定允许召回的最低相似度分数。
    • 值较低：召回更宽松，包含更多低相关内容。
    • 值较高：召回更严格，仅保留高相关分段，但可能错过边缘性信息。
通过动态调整这两个参数，可以快速找到最适合特定知识库内容特征与业务语义的最佳检索配置。
✅ 小结 XpertAI 的召回测试不仅是验证知识库构建质量的关键工具，更是优化知识流水线、提升 AI 应答准确度的重要手段。 借助召回日志、父子层级结构与检索参数调优，团队可以以可视化、可验证的方式不断迭代知识库质量，让每一次回答更贴近真实业务语义。