> 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/russian/knowledge-base/create.md).

# Создание базы знаний

При создании два самых важных выбора — это название и модель эмбеддингов. Материалы можно добавить позже, но границы названия и способ поиска повлияют на дальнейшее сопровождение.

{% hint style="info" %}
Для первого знакомства можно установить для【модели эмбеддингов】значение【не использовать】. База знаний по-прежнему будет использовать BM25-ключевой поиск; сначала достаточно просто отладить процесс импорта и извлечения.
{% endhint %}

## Перед созданием сначала примите два решения

### Название должно обозначать границы материалов

Предпочтительно использовать схему «объект + назначение», например【политика командировок сотрудников】, 【руководство по послепродажному обслуживанию продукта】или【материалы маркетингового исследования】. Избегайте названий вроде【материалы】, 【тест】, по которым потом невозможно понять объём содержания.

### Выберите способ эмбеддинга

| Выбор                          | Подходящие сценарии                                                                | Способ поиска                                    | Предварительные условия                           |
| ------------------------------ | ---------------------------------------------------------------------------------- | ------------------------------------------------ | ------------------------------------------------- |
| Не использовать                | Первое знакомство, ключевые слова однозначны                                       | BM25-ключевой поиск                              | Нет                                               |
| Облачная модель эмбеддингов    | Формулировка вопроса пользователя сильно отличается от исходного текста материалов | Гибридный поиск BM25 + векторный                 | Соответствующий сервис модели доступен для вызова |
| локальную эмбеддинговую модель | Хочется выполнять векторизацию на локальном компьютере                             | Гибридный поиск BM25 + локальный векторный поиск | Сначала скачайте его в разделе【локальные модели】  |

## Шаги создания

{% stepper %}
{% step %}

### 1. Откройте окно создания

Откройте в левом меню【База знаний】 и нажмите кнопку добавления над списком баз знаний.
{% endstep %}

{% step %}

### 2. Введите название

Введите название, которое описывает область, например【политика командировок сотрудников】.
{% endstep %}

{% step %}

### 3. Выберите модель эмбеддингов

Выберите доступную облачную или локальную модель эмбеддингов; если пока не нужен семантический поиск, выберите【не использовать】.

<figure><img src="/files/91ea66eb738700612a8cfbfd6cd3840faf048000" 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>Название определяет границы материалов; модель эмбеддингов определяет, будет ли добавлен векторный поиск.</p></figcaption></figure>
{% endstep %}

{% step %}

### 4. Нажмите «Создать»

Проверьте название и модель, затем нажмите【Создать】. После завершения создания вы попадёте в пустую базу знаний.
{% endstep %}

{% step %}

### 5. Добавьте первую партию материалов

Нажмите кнопку добавления материалов, импортируйте один-два файла или заметки с однозначными ответами и дождитесь завершения обработки.
{% endstep %}
{% endstepper %}

## Использование локальной модели эмбеддингов

Откройте【Настройки】→【Локальные модели】и в разделе【Модели эмбеддингов】скачайте доступную модель. Модели и размер загрузки, отображаемые в интерфейсе, могут отличаться в зависимости от среды установки; ориентируйтесь на текущий список.

<figure><img src="/files/6af9a2d99bd441c0dbdf51ae8c7f37a9dd5af539" alt="本地模型设置中的嵌入模型下载入口"><figcaption><p>После завершения загрузки вернитесь на страницу создания или настроек базы знаний и выберите эту модель.</p></figcaption></figure>

{% hint style="warning" %}
Локальные эмбеддинги означают лишь, что векторизация выполняется на этом компьютере. Используются ли облачные сервисы для анализа документов, rerank и чата, по-прежнему зависит от выбранных для них сервисов и моделей.
{% endhint %}

## Смена модели после появления материалов

При включении модели эмбеддингов в базе знаний, где ранее использовался только BM25, можно создать векторный индекс. Если в базе знаний уже есть векторы и вы меняете модель эмбеддингов, интерфейс перейдёт к процессу【перестроения базы знаний】.

{% hint style="danger" %}
Перед началом перестроения сначала убедитесь, что новая модель доступна для вызова. После перестроения заново выполните тест извлечения; не меняйте в одной и той же итерации и модель, и разбиение на фрагменты, иначе невозможно понять, откуда взялись изменения результата.
{% endhint %}

## Описание конфигурации

| Параметр конфигурации          | Значение по умолчанию в продукте | Рекомендуемая отправная точка                           | Роль                                           | Сценарий применения                                         | Примечания                                                                 |
| ------------------------------ | -------------------------------- | ------------------------------------------------------- | ---------------------------------------------- | ----------------------------------------------------------- | -------------------------------------------------------------------------- |
| Название                       | Пусто                            | Объект + назначение                                     | Разграничивать материалы по областям           | Все базы знаний                                             | Материалы с разными правами доступа или жизненным циклом следует разделять |
| Модель эмбеддингов             | Не использовать                  | При первом знакомстве сначала не использовать           | Определяет, включать ли векторный поиск        | Много разговорных формулировок и синонимов                  | Тарификация и обработка данных облачной модели зависят от поставщика услуг |
| локальную эмбеддинговую модель | Не загружено                     | Скачивайте только при необходимости локальной обработки | Выполнять векторизацию на локальном компьютере | Офлайн-режим или повышенные требования к конфиденциальности | По-прежнему нужно отдельно проверять модели анализа, rerank и чата         |

## Ожидаемый результат

* Новая база знаний появляется в списке, а её название отличимо от других баз знаний.
* Вам понятно, используется ли сейчас ключевой поиск или гибридный поиск.
* Выбранная облачная модель доступна для вызова, либо локальная модель уже скачана.

## Кейс пользователя

Сяолинь впервые создаёт базу знаний【политика командировок сотрудников】. Сначала он выбирает【не использовать】модель эмбеддингов, импортирует три документа с правилами и завершает тест извлечения. После того как поиск по ключевым словам стабилизируется, он настраивает модель эмбеддингов и сравнивает результаты на тех же вопросах, сформулированных разговорным языком.

Критерий успеха таков: после обновления способа поиска прежние фиксированные вопросы не ухудшаются, а разговорные формулировки стабильнее находят тот же самый документ с правилами.

## Частые вопросы

<details>

<summary>Что делать, если кнопка создания недоступна?</summary>

Проверьте, не пустое ли название, и доступна ли по-прежнему выбранная модель. Если сервис модели не настроен, можно временно переключиться на【не использовать】 и завершить создание.

</details>

<details>

<summary>Если не использовать модель эмбеддингов, поиск вообще ничего не найдёт?</summary>

Нет. База знаний всё равно будет использовать BM25-ключевой поиск; чем ближе формулировка вопроса к материалам, тем обычно стабильнее результат.

</details>

<details>

<summary>Нужно ли создавать отдельную базу для каждой темы?</summary>

Ориентируйтесь на критерий: следует ли искать эти материалы вместе при использовании. Материалы с разными правами доступа, жизненным циклом или полностью разными темами лучше разделять.

</details>

## Продолжить чтение

<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>Добавление и упорядочивание материалов</strong></td><td>Импортируйте содержимое и обработайте конфликт одинаковых названий.</td><td><a href="/pages/f356578f978b2dfd1a2a4f6a12204cc99ea4e90c">/pages/f356578f978b2dfd1a2a4f6a12204cc99ea4e90c</a></td></tr><tr><td><strong>Проверка материалов и извлечения</strong></td><td>Проверьте результат на реальных вопросах.</td><td><a href="/pages/cb186404cc8d9f393c6d0efdfa6b1a265c83510f">/pages/cb186404cc8d9f393c6d0efdfa6b1a265c83510f</a></td></tr><tr><td><strong>Настройки модели и поиска</strong></td><td>Понять эмбеддинги, rerank и перестроение.</td><td><a href="/pages/4cd2dac273bd61362710743b0cb64beddcd1307b">/pages/4cd2dac273bd61362710743b0cb64beddcd1307b</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/russian/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.