> ## Documentation Index
> Fetch the complete documentation index at: https://docs.xpertai.cn/llms.txt
> Use this file to discover all available pages before exploring further.

# 🔍 维度成员检索

在 XpertAI 平台中，**维度成员检索** 是 ChatBI 智能体编排体系中的一个关键能力模块。
它通过对**语义模型中的维度成员信息进行动态同步和向量化处理**，为智能体提供更加精确的上下文感知和意图识别支持，极大提升了对话式数据分析的准确性和用户体验。

简而言之，维度成员检索能让智能体“知道有哪些可能的维度取值”，并“理解这些维度成员在不同业务语境下的语义含义”。

## 一、维度成员信息的同步与向量化

要启用维度成员检索功能，需要先完成语义模型中维度数据的同步与向量化。整个流程如下：

### 1. 维度成员同步（Sync）

在语义模型创建或更新后，手动触发维度成员的同步任务，流程包括：

* 刷新维度的成员清单。
* 上传并嵌入维度成员便于后续处理和检索。

### 2. 向量化处理（Embedding）

同步完成后，平台会对维度成员进行语义向量化处理，步骤包括：

* 利用内置或用户自定义的向量模型（如 OpenAI Embedding、通义 embedding 等）
* 将每个维度成员（及其别名、业务标签）转化为语义向量
* 将向量化结果存入平台内嵌的向量数据库（支持（开发中） FAISS / Qdrant / Milvus 等）

***

## 二、在 ChatBI 工具集中如何使用

完成向量化后，这些维度成员信息将通过 **Dimension Member Retriever 工具** 接入 ChatBI 智能体的工具链中，具体作用如下：

### 智能体调用流程：

1. **意图识别阶段**：智能体判断用户的查询是否包含模糊维度描述（如“华东”、“xx 客户”、“节假日”）
2. **检索调用阶段**：通过 Dimension Member Retriever 进行语义向量比对，从维度成员库中找出最接近的匹配项
3. **结果反查阶段**：将匹配到的维度值作为过滤条件，参与查询构造和图表生成

### 应用示例：

* 用户问：“本月华东地区销售额如何？”

  * 智能体通过 Retriever 匹配“华东” → `region = '华东'`
* 用户问：“节假日期间哪类产品卖得好？”

  * 匹配“节假日”维度成员 → 自动带入节假日对应时间段进行分析

> 🧠 ChatBI 会根据维度的业务标签、拼音、英文别名等进行模糊识别和上下文推理。

***

## 三、业务价值与优势

| 功能       | 业务优势                  |
| -------- | --------------------- |
| 动态同步维度成员 | 保证维度成员信息实时更新，减少漏查     |
| 向量化识别    | 提升自然语言识别精度，支持模糊匹配     |
| 多语言理解    | 覆盖国际化场景，多语种维度名均可识别    |
| 业务语义感知   | 智能理解业务别名、缩写与分类标签      |
| 无需规则维护   | 相比传统关键词匹配方案，无需手动维护映射表 |

***

## 四、使用注意事项

1. **数据源访问权限**：确保维度成员来源的数据表具备完整读取权限；
2. **数据量与性能**：对于百万级维度成员数据，建议按需配置向量抽取频率与索引分区；
3. **语言一致性**：如存在中英文混用场景，请在语义模型中设置成员多语言标签或别名字段；
4. **定期更新机制**：业务维度（如客户、产品）建议设定定期同步计划（如每日或每小时）；
5. **隐私合规**：如维度中包含客户、用户等敏感信息，需做好脱敏与权限隔离控制；

***

## 五、后续计划

我们计划在未来版本中：

* 支持用户自定义维度成员语义标签
* 引入维度成员权重与热度指标，用于增强匹配精度
* 提供维度成员管理后台，支持手动编辑与审阅