Dify 之外的新尝试：Coze Studio 知识库实战指南：部署、解析、接入全流程

背景

在分享完AI Agent 新选择：Coze Studio 开源上手实录，能替代 dify 吗？，有粉丝希望我分享下知识库相关的。我先把问的比较多的问题进行答疑。

上期答疑

如何添加多个LLM

从模板上的内容来看，内部原来是一个结构化的配置，开源以后，精简了，直接剥离成了yaml文件，根据数据结构反向开发定制可以实现在线灵活配置。

如何关闭思考过程

重启coze-server

docker compose --profile '*' up -d --force-recreate --no-deps coze-server

知识库相关配置

coze studio的知识库，依赖：存储、向量数据库，向量模型，向量模型配置和LLM不太一样。向量模型在.env中配置。

存储方式配置

向量化需要上传文件到服务中，所以向量模型配置之前，需要先配置上传方式（coze studio 叫上组件）。在coze studio中，上传组件的配置就是上传方式的配置，支持：

• • minio: 这个是开源默认的
• • 火山引擎对象存储TOS
• • 火山引擎ImageX

需要注意的是, 需要将MINIO_ENDPOINT 中的配置中的localhost:9000不需要动，内部做了一些特殊处理,改成容器名称也是可以的

# Storage component 
export STORAGE_TYPE="minio" 
export STORAGE_BUCKET="opencoze"
# MiniIO
export MINIO_ROOT_USER=minioadmin
export MINIO_ROOT_PASSWORD=minioadmin123
export MINIO_DEFAULT_BUCKETS=milvus
export MINIO_AK=$MINIO_ROOT_USER
export MINIO_SK=$MINIO_ROOT_PASSWORD
export MINIO_ENDPOINT="localhost:9000"
export MINIO_API_HOST="http://${MINIO_ENDPOINT}"

OCR 配置

如果上传的文件是扫描件，coze studio支持通过ocr将扫描件解析，需要开通火山引擎的OCR产品服务，这个就不做讲解了。

向量存储配置

向量化存储目前支持两种：

• • milvus
• • vikingdb: 火山引擎的服务

我使用本地的milvus，和minio一样，不需要改动，改成coze-milvus:19530 也可以

export VECTOR_STORE_TYPE="milvus"
# milvus vector store
export MILVUS_ADDR="coze-milvus:19530"

向量化模型配置

本来想试用本地Ollama做向量模型的，折腾了1个多小时，没有成功，一直报

panic: InitializeInfra failed, err=Init - initPrimaryServices failed, err: init vector store failed, err=init milvus embedding failed, err=init knowledge embedding failed, type not configured

官方说会在1~2天把ollama补上。先试用在线的

创建火山引擎向量模型接入点

配置

在.env中配置

export EMBEDDING_TYPE="ark"
export ARK_EMBEDDING_MODEL="自己的接入点"
export ARK_EMBEDDING_AK="自己的api key"
export ARK_EMBEDDING_DIMS="2048"
export ARK_EMBEDDING_BASE_URL="https://ark.cn-beijing.volces.com/api/v3"

重启coze-server

docker compose --profile '*' up -d --force-recreate --no-deps coze-server

知识库使用

创建知识库

• • 点击资源库右上角资源中的知识库
  

  

• • 知识库有3类：文本格式、表格、照片
• • 文本格式，可以本地文档，可以自定义文档
• • 我以文本格式为示例进行创建
  

  

  
  点击上传，或者拖入上传即可。

pdf 解析

• • 在coze studio 中，文件解析策略有两种
• • 精准解析：精准解析需要用到OCR来处理扫描件
• • 快速解析：适用于存文本
• • 分段策略
• • 自动分段与清洗：傻瓜式操作
• • 自定义分段：分段标识都用了下拉选，降低了普通用户的使用成本，也可以自定义分隔符。
  

  

• • 分段可以进行预览，但是不能跟随对比，
  

  

  
  普通的向量模型，没法识别表格，我切换下视觉向量模型试试。
  

  

重启下coze-server

• • 可以看到表格式识别出来了，但是图片还是不显示（别急，后面可以看到）
  

  

  
  点击确认。
  

  

  
  可以看到图片已经提取了出来。然后一直0%，去查下issue
  

  

  
  目前还不支持图像向量化模型。，还得切回到文本模型。

markdown解析

• • 可以看到md里的图片都被抓到了，看链接已经存入minio里了
• • 向量化以后的结果，分段重叠了10%，所以看到很明显的衔接。

工作流中使用

• • 知识库检索，支持添加多个知识库
• • 搜索策略：支持、混合、语义、全文
• • 可以设置召回数量、最小匹配度
• • 可以勾选是否查询改写：查询改写在某些场景下很关键，可以极大的提升效率
  

  

  
  很简单的提示词
  

  

  
  查到内容总是感觉差点意思。效果并不理想

在智能体中使用

• • 1需要在提示词中调用recallKnowledge
• • 2可以添加多个知识库

总结

• • coze studio 的向量还在不断地完善过程中，预估这周ollama会上，自定义http需要按规范实现
• • 知识库目前不支持外挂，这个在企业中是一个很大的问题，后续开源社区肯定会支持，迟早的问题
• • 整体检索效果相对来说比较差，这个可能是我使用的问题

后记

• • coze studio 从发布以后还没有一个release版本，功能还在逐步完善中，文档写了，有的还没有实现
• • 从目前的状况来看，还有一段路要走，就看字节投入和开源社区的建设了，目前由21个提交者涨到了28个，不过后来者提交的代码很少，代码的理解还是需要一定的时间的
• • 整个的关注度在不断地提升，势头特别猛，这几天已经涨到了近12k了