向量搜索

基于 AI 神经网络的语义搜索，让您能够根据含义而非关键词查找文档。

语义搜索简介

传统的关键词搜索只能匹配精确的文字，而 InfMind 的向量搜索能够理解查询的语义含义，即使您使用不同的表达方式，也能找到相关的文档。

什么是向量搜索？

向量搜索（Vector Search）是一种基于语义相似度的搜索技术。系统会：

1. 将文档内容转换为高维向量（数百维的数字数组）
2. 将您的查询也转换为相同维度的向量
3. 计算查询向量与所有文档向量的相似度
4. 返回最相似的文档及其匹配度

工作原理

知识库使用 SOTA（State-of-the-Art）级别的 Embedding 神经网络进行向量化：

向量化流程

整个过程在后台自动完成，您可以在文件列表的"状态"列查看处理进度。

基础搜索

工具栏的搜索框提供快速的关键词搜索功能。

使用方法

在工具栏左上角的搜索框中输入关键词，系统会实时筛选匹配的文件和文件夹：

• 匹配文件名和文件夹名
• 不区分大小写
• 支持部分匹配
• 300ms 防抖优化，流畅输入

向量搜索

向量搜索是知识库的核心功能，提供深度语义理解能力。

打开向量搜索

有两种方式打开向量搜索对话框：

1. 点击桌面端右侧向量搜索面板底部的"向量搜索"按钮
2. （移动端）使用顶部菜单进入向量搜索

执行搜索

查询示例

向量搜索支持各种自然语言查询：

# 概念查询
"深度学习的基本原理"
"什么是强化学习"

# 方法查询
"如何优化神经网络"
"提升模型性能的方法"

# 问题查询
"为什么会出现过拟合"
"如何选择学习率"

# 应用查询
"计算机视觉在医疗中的应用"
"自然语言处理的实际案例"

搜索技巧

掌握以下技巧，让您的搜索更高效：

1. 使用具体的描述

越具体的查询，结果越精准：

• ❌ 不好："学习"
• ✅ 较好："机器学习算法"
• ✅✅ 最好："监督学习中的分类算法"

2. 使用问题形式

如果您在寻找某个问题的答案，直接用问句查询：

• "如何防止神经网络过拟合"
• "什么是注意力机制"
• "为什么需要数据归一化"

3. 尝试不同表述

如果第一次搜索结果不理想，尝试换个说法：

• "提升模型准确率" → "改善预测性能"
• "加快训练速度" → "减少训练时间"

4. 关注上下文

添加领域或场景信息，缩小搜索范围：

• "计算机视觉中的数据增强技术"
• "自然语言处理的预训练模型"

5. 搜索特定概念

如果您记得文档中的某个关键概念或术语：

• "Transformer 架构的优势"
• "卷积神经网络的工作原理"

结果解读

向量搜索结果包含丰富的信息，帮助您快速判断相关性。

结果项信息

每个搜索结果显示：

1. 文档片段：引用样式显示匹配的内容片段，最多 3 行
2. 序号：结果排名，从 [1] 开始
3. 文件名：来源文档的名称
4. 匹配度进度条：可视化显示相似度
5. 匹配度百分比：精确到小数点后 1 位

匹配度说明

匹配度（相似度）表示文档片段与您的查询在语义上的接近程度：

• 90% 以上：高度相关，内容基本匹配您的查询
• 80% - 90%：很相关，内容与查询有较强关联
• 70% - 80%：相关，内容涉及类似主题
• 60% - 70%：弱相关，可能包含部分相关信息
• 60% 以下：不太相关，可能是误匹配

查看完整文档

点击任意搜索结果会：

1. 关闭向量搜索对话框
2. 打开文件详情对话框
3. 显示完整的文件内容和元信息

您可以在详情对话框中进一步操作文件（下载、重命名、删除等）。

空结果处理

如果搜索没有返回任何结果，可能的原因：

• 知识库中没有相关内容
• 文件还在处理中，尚未完成向量化
• 查询过于宽泛或过于具体
• 查询用词与文档内容表述方式差异较大

建议：

• 检查文件状态，确保已完成向量化
• 尝试不同的查询表述
• 使用基础搜索按文件名查找
• 上传更多相关文档丰富知识库