> For the complete documentation index, see [llms.txt](https://docs.cherryai.com.cn/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.cherryai.com.cn/docs/jp/knowledge-base/create.md).

# ナレッジベースを作成

作成時に最も重要な2つの選択は、名称と埋め込みモデルです。資料は後から追加できますが、名称の境界と検索方法は後続のメンテナンスに影響します。

{% hint style="info" %}
初回体験では【埋め込みモデル】を【使用しない】にしても構いません。ナレッジベースは引き続き BM25 キーワード検索を使用するので、まずは取り込みと再現の流れを通すだけで十分です。
{% endhint %}

## 作成前にまず2つの決定をする

### 名称は資料の範囲を示す必要がある

優先して「対象 + 用途」を使います。たとえば【社員出張規程】、【製品アフターサービスマニュアル】、または【市場調査資料】です。後で内容範囲を判断できなくなる【資料】、【テスト】のような名称は避けてください。

### 埋め込み方式を選ぶ

| 選択          | 適したシーン               | 検索方式                 | 前提条件                    |
| ----------- | -------------------- | -------------------- | ----------------------- |
| 使用しない       | 初回体験、キーワードが明確        | BM25 キーワード検索         | なし                      |
| クラウド埋め込みモデル | ユーザーの聞き方が資料原文と大きく異なる | BM25 + ベクトルのハイブリッド検索 | 対応するモデルサービスを正常に呼び出せる    |
| ローカル埋め込みモデル | ベクトル化をローカルで完了したい     | BM25 + ローカルベクトル検索    | まず【ローカルモデル】でダウンロードを完了する |

## 作成手順

{% stepper %}
{% step %}

### 1. 作成ウィンドウを開く

左側ナビゲーションの【ナレッジベース】を開き、ナレッジベース一覧の上にある新規追加ボタンをクリックします。
{% endstep %}

{% step %}

### 2. 名称を入力

【社員出張規程】のように、範囲を示せる名称を入力します。
{% endstep %}

{% step %}

### 3. 埋め込みモデルを選択

利用可能なクラウドまたはローカルの埋め込みモデルを選択します。しばらく意味検索が不要な場合は、【使用しない】を選びます。

<figure><img src="/files/04822b28fb4033eae0faf5a4f70100cde6b1b8c2" alt="填写员工差旅制度名称并选择嵌入模型的知识库创建表单"><figcaption><p>名称で資料の範囲が決まり、埋め込みモデルでベクトル検索を追加するかが決まります。</p></figcaption></figure>
{% endstep %}

{% step %}

### 4. 作成をクリック

名称とモデルを確認したら【作成】をクリックします。作成が完了すると、空のナレッジベースに入ります。
{% endstep %}

{% step %}

### 5. 最初の資料を追加

資料追加ボタンをクリックし、答えが明確なファイルやメモを1、2件取り込み、処理完了を待ちます。
{% endstep %}
{% endstepper %}

## ローカル埋め込みモデルを使用する

【設定】→【ローカルモデル】を開き、【埋め込みモデル】欄で利用可能なモデルをダウンロードします。画面に表示されるモデルやダウンロードサイズはインストール環境によって変わる場合があるため、現在の一覧を基準にしてください。

<figure><img src="/files/4444ab8fd86a1858fea571cdce536c67b8d33c34" alt="本地模型设置中的嵌入模型下载入口"><figcaption><p>ダウンロード完了後、ナレッジベースの作成ページまたは設定ページに戻ってそのモデルを選択します。</p></figcaption></figure>

{% hint style="warning" %}
ローカル埋め込みは、ベクトル化がローカル端末で完了することを意味するだけです。文書解析、再ランキング、チャットでクラウドを使うかどうかは、各自で選択したサービスとモデル次第です。
{% endhint %}

## 既存の資料がある状態でモデルを変更する

BM25 のみを使用しているナレッジベースで埋め込みモデルを有効にする場合、ベクトルインデックスを作成できます。既にベクトルを持つナレッジベースで埋め込みモデルを変更すると、画面は【ナレッジベースを再構築】のフローに入ります。

{% hint style="danger" %}
再構築を始める前に、新しいモデルが正常に呼び出せることを確認してください。再構築後は再び再現テストを行います。同じタイミングでモデル変更と分割変更を同時に行わないでください。結果の変化がどこから来たのか判断できなくなります。
{% endhint %}

## 設定の説明

| 設定項目        | 製品のデフォルト値 | 推奨の開始値                  | 役割                  | 適用場面                  | 注意事項                          |
| ----------- | --------- | ----------------------- | ------------------- | --------------------- | ----------------------------- |
| 名称          | 空         | 対象 + 用途                 | 資料の境界を区別する          | すべてのナレッジベース           | 権限やライフサイクルが異なる資料は分けるべき        |
| 埋め込みモデル     | 使用しない     | 初回体験ではまず使用しない           | ベクトル検索を追加するかどうかを決める | 口語的な質問や同義表現が多い        | クラウドモデルの課金とデータ処理はサービス提供者に依存する |
| ローカル埋め込みモデル | 未ダウンロード   | ローカル処理が必要になってからダウンロードする | ローカル端末でベクトル化を完了する   | オフライン、またはより高いプライバシー要件 | 解析、再ランキング、チャット用モデルは別途確認が必要    |

## 期待される結果

* 新しいナレッジベースが一覧に表示され、名前で他のナレッジベースと区別できる。
* 今使っているのがキーワード検索かハイブリッド検索か把握できる。
* 選択したクラウドモデルを呼び出せるか、またはローカルモデルのダウンロードが完了している。

## ユーザー事例

小林さんは初めて【社員出張規程】のナレッジベースを作成しました。まず【使用しない】を選んで埋め込みモデルを使わず、3つの規程を取り込んで再現テストを行いました。キーワード検索が安定した後、埋め込みモデルを設定し、同じ質問で口語的な表現の結果を比較しました。

完了基準は、検索方式をアップグレードした後も、元の固定質問の結果が劣化せず、口語的な表現でも同じ規程をより安定して見つけられることです。

## よくある質問

<details>

<summary>作成ボタンが使用できないときは？</summary>

名称が空でないか、選択したモデルがまだ利用可能か確認してください。モデルサービスが未設定の場合は、いったん【使用しない】に変更して作成を完了できます。

</details>

<details>

<summary>埋め込みモデルを使わないと完全に検索できなくなる？</summary>

いいえ。ナレッジベースは引き続き BM25 キーワード検索を使用するため、質問の語句が資料に近いほど、結果は通常より安定します。

</details>

<details>

<summary>各テーマごとに個別に作成する必要</summary>

判断基準は「利用時に一緒に検索すべきか」です。権限、ライフサイクル、またはテーマがまったく異なる資料は分けるのが適しています。

</details>

## 続きを読む

<table data-view="cards"><thead><tr><th></th><th></th><th data-hidden data-card-target data-type="content-ref"></th></tr></thead><tbody><tr><td><strong>資料を追加・整理する</strong></td><td>内容を取り込み、同名の衝突を処理する。</td><td><a href="/pages/52419c0c8143ffa7c66f9f3048af576a7b985d6b">/pages/52419c0c8143ffa7c66f9f3048af576a7b985d6b</a></td></tr><tr><td><strong>資料と再現を確認する</strong></td><td>実際の質問で結果を検収する。</td><td><a href="/pages/e3b03b5648a5fd135fedd068ff34a7f23055261c">/pages/e3b03b5648a5fd135fedd068ff34a7f23055261c</a></td></tr><tr><td><strong>モデルと検索設定</strong></td><td>埋め込み、再ランキング、再構築を理解する。</td><td><a href="/pages/552981e5e3388b3c03d9768a3befa7afa506edbe">/pages/552981e5e3388b3c03d9768a3befa7afa506edbe</a></td></tr></tbody></table>


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.cherryai.com.cn/docs/jp/knowledge-base/create.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.