> 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).

# Создать базу знаний

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

{% hint style="info" %}
Для первого знакомства можно установить для 【Модель эмбеддингов】 значение 【Не использовать】. База знаний всё равно будет использовать ключевой поиск BM25 — сначала просто отладьте импорт и процесс выдачи результатов.
{% endhint %}

## Перед созданием сначала примите два решения

### Название должно обозначать границы материалов

В первую очередь используйте формат «объект + назначение», например: 【Правила командировок сотрудников】, 【Руководство по послепродажному обслуживанию продукции】 или 【Материалы маркетингового исследования】. Избегайте названий вроде 【Материалы】 или 【Тест】, по которым потом невозможно понять объём содержимого.

### Выберите способ эмбеддинга

| Выбор                        | Подходящие сценарии                                             | Способ поиска                    | Предварительные условия                                 |
| ---------------------------- | --------------------------------------------------------------- | -------------------------------- | ------------------------------------------------------- |
| Не использовать              | Первое знакомство, чёткие ключевые слова                        | Ключевой поиск BM25              | Нет                                                     |
| Облачная модель эмбеддингов  | Формулировка пользователя сильно отличается от исходного текста | Гибридный поиск BM25 + векторный | Соответствующий сервис модели можно вызывать без ошибок |
| Локальная модель эмбеддингов | Есть желание выполнять векторизацию на этом компьютере          | BM25 + локальный векторный поиск | Сначала скачайте в разделе 【Локальная модель】           |

## Шаги создания

{% stepper %}
{% step %}

### 1. Откройте окно создания

Откройте левую навигацию 【База знаний】 и нажмите кнопку добавления над списком баз знаний.
{% endstep %}

{% step %}

### 2. Введите название

Введите название, которое отражает область, например 【Правила командировок сотрудников】.
{% endstep %}

{% step %}

### 3. Выберите модель эмбеддингов

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

<figure><img src="https://3765361039-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F0Ut5BptC3t8CtSU1UWpM%2Fuploads%2FEjaqbiBQRr1B6ElNdKZk%2Fclipboard.png?alt=media&amp;token=f9e9d4d9-eb38-4828-bcaf-675a546c0349" 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»

После проверки названия и модели 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】→【Локальная модель】 и в разделе 【Модель 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="https://3765361039-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2F0Ut5BptC3t8CtSU1UWpM%2Fuploads%2FKtorqL7bBJINtcB1uKOE%2Fclipboard.png?alt=media&amp;token=ce9a7810-c719-4392-aeb1-839f414f37e8" 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. Будут ли разбор документов, перерасчёт ранжирования и чат использовать облако, по-прежнему зависит от выбранных сервисов и моделей.
{% endhint %}

## Смена модели после появления материалов

При включении модели эмбеддингов в базе знаний, которая раньше использовала только BM25, можно создать векторный индекс. При смене модели эмбеддингов в базе знаний, где уже есть векторы, интерфейс перейдёт в процесс 【Перестроить базу знаний】.

{% hint style="danger" %}
Перед началом перестройки сначала убедитесь, что новая модель вызывается нормально. После перестройки заново проведите тест выдачи; не меняйте в одном и том же цикле и модель, и разбиение на фрагменты, иначе будет невозможно понять, откуда взялись изменения результата.
{% endhint %}

## Описание настройки

| Параметр настройки           | Стандартное значение продукта | Рекомендуемая отправная точка                           | Назначение                                  | Сценарий применения                                 | На что обратить внимание                                                             |
| ---------------------------- | ----------------------------- | ------------------------------------------------------- | ------------------------------------------- | --------------------------------------------------- | ------------------------------------------------------------------------------------ |
| Название                     | Пусто                         | Объект + назначение                                     | Разграничение материалов                    | Все базы знаний                                     | Материалы с разными правами доступа или жизненным циклом следует разделять           |
| Модель векторизации          | Не использовать               | Для первого знакомства сначала не использовать          | Определяет, включать ли векторный поиск     | Разговорные формулировки, много синонимов           | Плата за облачную модель и обработка данных зависят от поставщика услуги             |
| Локальная модель эмбеддингов | Не скачано                    | Скачивайте только при необходимости локальной обработки | Векторизация выполняется на этом компьютере | Оффлайн или высокие требования к конфиденциальности | По-прежнему нужно отдельно проверять модели разбора, перерасчёта ранжирования и чата |

## Ожидаемый результат

* Новая база знаний появляется в списке, её название можно отличить от других баз знаний.
* Вы понимаете, сейчас используется ключевой поиск или гибридный поиск.
* Выбранную облачную модель можно вызывать, или локальная модель уже скачана.

## Сценарий пользователя

Сяо Линь впервые создал базу знаний 【Правила командировок сотрудников】. Сначала он выбрал для модели эмбеддингов 【Не использовать】, импортировал три документа с правилами и завершил тест выдачи. После того как ключевые запросы стали стабильными, он снова настроил модель эмбеддингов и сравнил результаты на тех же вопросах в разговорной форме.

Критерий завершения: после обновления способа поиска старые фиксированные вопросы не должны ухудшиться, а разговорные формулировки должны стабильнее находить ту же самую статью правил.

## Часто задаваемые вопросы

<details>

<summary>Что делать, если кнопка «Создать» недоступна?</summary>

Проверьте, не пустое ли название, и доступна ли по-прежнему выбранная модель. Если сервис модели ещё не настроен, можно сначала изменить 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 ключевой поиск BM25; чем ближе формулировка вопроса к материалам, тем стабильнее обычно результат.

</details>

<details>

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

Ориентируйтесь на правило: нужно ли вместе искать эти материалы при использовании. Материалы с разными правами доступа, жизненным циклом или совершенно разной темой лучше разделять.

</details>

## Читать далее

<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 организация материалов</strong></td><td>Импортируйте содержимое и обработайте конфликт одинаковых имён.</td><td><a href="/docs/russian/knowledge-base/sources.md">Добавление и упорядочивание материалов</a></td></tr><tr><td><strong>Проверка материалов и извлечения</strong></td><td>Проверьте результат на реальных вопросах.</td><td><a href="/docs/russian/knowledge-base/recall-test.md">Проверка материалов и выдачи</a></td></tr><tr><td><strong>Настройки модели и поиска</strong></td><td>Разберитесь с эмбеддингами, перерасчётом ранжирования и перестройкой.</td><td><a href="/docs/russian/knowledge-base/emb-models-info.md">Настройки модели и поиска</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 by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

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

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

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.