AI知识库配置：让文档问答系统跑起来的关键步骤
AI知识库配置的本质，是让系统能把你上传的文档切成片段、转成向量存起来，用户提问时先检索相关片段再交给大模型回答。
如果你已经在服务器上跑过Docker，这套流程大约半小时能完成基础验证；
如果还没装Docker，需要先补上这一步。
下面以开源方案为例，讲清配置路径和容易卡住的地方。
先确认服务器和依赖是否就位
这套配置对机器要求不高，但需要提前检查几项：
- 操作系统：Ubuntu 20.04 或 22.04，其他Linux发行版命令略有差异。
- 内存：建议至少4GB，向量检索和嵌入模型同时运行会占用较多内存。
- Docker与Docker Compose：用以下命令确认版本。
docker --version
docker compose version如果提示命令不存在，先安装Docker引擎和Compose插件，再继续后面的步骤。
另外确认服务器防火墙放行了你计划使用的端口，例如8000和6333。
部署向量数据库和问答服务
这里用Qdrant作为向量数据库，配合一个开源的知识库问答服务。
先创建工作目录：
mkdir -p /opt/ai-kb && cd /opt/ai-kb新建docker-compose.yml，写入以下内容（端口可按需调整）：
services:
qdrant:
image: qdrant/qdrant:latest
ports:
- "6333:6333"
volumes:
- ./qdrant_storage:/qdrant/storage
kb-app:
image: your-kb-app:latest
ports:
- "8000:8000"
environment:
- QDRANT_URL=http://qdrant:6333
- EMBEDDING_MODEL=text-embedding-ada-002
depends_on:
- qdrant这里your-kb-app需要替换成你实际使用的知识库服务镜像，不同项目的环境变量名可能不同，以项目文档为准。
启动服务：
docker compose up -d用docker compose ps确认两个容器状态都是running，再访问http://服务器IP:6333/dashboard能看到Qdrant面板，说明向量库就绪。
上传文档并验证检索链路
服务启动后，进入知识库管理页面（通常是http://服务器IP:8000），完成三件事：
- 新建知识库，选择嵌入模型。如果使用OpenAI兼容接口，需要填写API Key和Base URL；如果使用本地模型，确认模型文件路径已挂载进容器。
- 上传一份测试文档，比如产品FAQ的Markdown或PDF文件。
- 等待文档处理完成，页面一般会显示切片数量和向量化状态。
验证时不要只看看页面有没有报错，直接提一个文档里明确写答案的问题。
如果回答内容与文档一致，说明检索和生成链路通了；
如果回答泛泛而谈或说找不到，先检查文档切片是否成功、嵌入模型是否配置正确。
容易踩坑的几个配置点
嵌入模型和向量维度要匹配。 换模型时如果维度不一致，写入Qdrant会直接报错。
要么清空集合重建，要么保持模型不变。
文档解析失败先看文件格式。 扫描版PDF没有文字层，解析出来是空的，需要先做OCR。
上传前用pdftotext快速检查能否提取文字。
容器间通信用服务名，
不要用localhost。 在docker-compose.yml里，kb-app访问Qdrant应该写http:，
//qdrant:
6333
写成localhost会连不上。
API Key不要写进镜像。 用环境变量或.env文件传入，避免把密钥提交到代码仓库。
配置完成后怎么判断是否可用
一个可用的AI知识库配置，至少要满足三个条件：文档上传后能显示切片成功；
提问能返回文档中的具体内容；
换一个文档外的问题，系统能明确表示没有相关信息而不是编造。
前两条验证检索和生成，第三条验证边界控制。
如果后续要接入网页或企业微信，只需要在问答服务里开放API接口，再用Nginx反向代理并配置HTTPS即可。
建议先把单机流程跑通，再考虑多用户和权限管理，避免一开始就堆太多组件。
常见疑问
问：必须用OpenAI的嵌入模型吗？
答：不是。可以用本地嵌入模型如BGE系列，但需要确认知识库服务支持自定义模型地址，并且向量维度与数据库集合一致。
问：上传文档后一直显示处理中怎么办？
答：先看docker compose logs kb-app的输出，常见原因是嵌入模型接口超时或文件过大。调小切片大小或增加超时时间再试。
问：知识库回答不准确，优先调哪里？
答：先确认切片内容是否完整，再调整检索返回的片段数量。切片太碎会丢失上下文，切片太大又会引入无关内容，需要按文档类型做平衡。
