GEOFlow AI 知识库是系统的事实与召回基础，用于把业务资料转成可检索、可追踪的知识资产，并在文章生成时提供证据上下文。
知识库的定位与能力
在 GEOFlow 中，知识库是事实与召回层，它将文档、网页与团队经验沉淀为可检索、可引用、可治理的知识资产。生成任务时，混合召回将匹配证据注入提示词，让输出贴近资料并支持引用来源。知识库聚焦五类问题：资料沉淀、证据召回、事实约束、治理能力与可引用性。
资料入库与召回链路
入库与召回分为七个步骤：第一步，收集资料（支持粘贴、上传或 URL 导入）；第二步，清洗并统一编码与结构；第三步，按结构化规则进行切片；第四步，写入元数据（包括来源、时间、业务线、审核状态）；第五步，使用默认 embedding 模型生成向量并存入 pgvector；第六步，执行混合召回（关键词、标题、向量相似度）；第七步，将命中片段注入提示词并生成引用。最终质量取决于切片方式、元数据完整性和召回策略。
最小配置与检查条件
使用知识库需满足三项必要条件：第一，AI 配置器中至少有一个可用的 chat 模型；第二，在 AI 模型页面设置默认 embedding 模型；第三，确认数据库 pgvector 插件可用。完成后在“素材管理 -> AI 知识库中枢”新建知识库并上传资料。仅查看切片效果时，可以不配置 embedding 模型；若要在生成任务中启用 RAG 召回，则必须完成以上所有设置并刷新向量数据。
三种切片策略
系统提供三种切片方式。结构化规则切片为默认方案，按标题、段落、长度和重叠窗口自动分割，稳定且成本低。自动策略由系统根据配置自行选择。LLM 语义规划使用 chat 模型划定语义边界后从原文截取片段，适合长文档或结构复杂资料，只规划边界不修改内容，保证切片可追溯。
使用局限与注意事项
知识库不保证生成内容完全正确，事实准确性依赖资料质量、审核与人工判断。系统优化表达一致性与证据引用，不对搜索结果实现绝对控制。未配置 embedding 模型时可以创建知识库并查看切片；若需在生成任务中执行 RAG 召回，必须设置默认 embedding 模型并确保向量已刷新。