跳到主要内容

LLM Wiki

LLM Wiki 是 KnowFlow v2.4.3 新增的能力,它把知识库里零散的文档,自动编织成一套互相链接的 Wiki 页面。系统会用大模型抽取文档中的实体、概念,并为每篇文档生成摘要,让知识库从「一堆文档」升级为「一张可导航的知识网」。

什么是 LLM Wiki

传统知识库中,文档之间是彼此孤立的,用户很难快速把握「某个概念在哪些文档里被讨论过」「某个实体和其他实体是什么关系」。

LLM Wiki 通过大模型对文档进行加工,生成三类 Wiki 页面:

  • 实体页(Entity):从内容中抽取出的具名实体(如产品、人物、组织、技术名词等),跨文档的同名实体会自动合并为一页。
  • 概念页(Concept):文档中反复讨论的抽象概念或主题。
  • 摘要页(Summary):以文档为单位生成的整体摘要。

页面之间通过 [[页面名]] 的语法自动交叉链接,形成可点击跳转的知识网络。生成后的 Wiki 页面还会参与检索,并在排序阶段获得额外加权,从而提升问答的准确性与召回率。

适用场景

推荐使用

  • 文档数量较多、概念交叉引用密集的知识库(如产品手册、技术文档、法规汇编)
  • 希望以「知识地图」的方式浏览和检索知识库内容
  • 需要提升问答对实体、概念类问题召回效果的场景

开启并配置 LLM Wiki

第一步:在知识库设置中开启

  1. 进入目标知识库,打开 设置 页面
  2. 找到 LLM Wiki 配置区,打开开关
  3. 选择抽取粒度,控制 Wiki 页面的数量与覆盖范围:
粒度说明适用情况
聚焦仅抽取核心主题文档主题集中,只需关键实体
标准(默认)核心主题 + 重要讨论点大多数场景
详尽抽取所有具名实体与概念需要最全知识网、可接受更多页面
  1. 保存配置
提示

抽取粒度会直接影响生成的 Wiki 页面数量与大模型调用成本,建议先用「标准」粒度试跑,再根据效果调整。

第二步:生成 Wiki

  1. 进入知识库的文档列表
  2. 点击工具栏中的 生成 Wiki 按钮
  3. 系统开始异步生成,可通过按钮状态查看进度

生成分为两种模式:

  • 增量生成(默认):仅处理「从未生成过 Wiki」或「上次生成后又重新解析过」的文档,节省时间与成本。
  • 全量重建:清空已有全部 Wiki 页面并从所有文档重新生成。该操作会有二次确认弹窗,请谨慎使用。
警告

全量重建会删除现有 Wiki 页面(包括跨文档合并的实体页),仅在抽取粒度调整、模型更换等需要彻底重建的情况下使用。

浏览 Wiki

在知识库左侧导航中点击 Wiki 标签,即可进入 Wiki 浏览页:

  • 页面按实体 / 概念 / 摘要三类分组,以树状目录展示
  • 点击任意页面查看完整内容,正文中的 [[内部链接]] 会渲染为可点击的超链接,点击即可跳转到关联页面
  • 从聊天引用中点击 Wiki 来源时,可通过链接参数自动定位到对应页面

删文档自维护

当知识库中的文档被删除时,Wiki 会自动维护一致性,无需手动清理:

  • 多来源实体页:仅移除该文档对应的来源引用,页面保留(因为其他文档仍在引用该实体)
  • 单一来源页面:随文档一并删除

Wiki 健康体检

v2.4.3 新增 Wiki 健康体检(Wiki Lint),用于检查 Wiki 网络的完整性:

  1. 在 Wiki 标签页标题栏点击健康体检图标
  2. 系统会对 Wiki 进行多维度校验,常见问题包括:
    • 孤立页面(无任何链接指向)
    • 失效链接(指向不存在的页面)
    • 空白页面
    • 过期引用
    • 缺失交叉链接
    • 重复页面
  3. 体检完成后展示健康评分,并对可自动修复的简单问题提供一键修复

检索调试与引用识别

v2.4.3 同时增强了 Wiki 在检索链路中的可观测性:

  • 检索测试可视化:在检索测试的调试面板中,新增 Wiki 加权 指标卡,展示哪些 Wiki 页面对排序得分产生了加权,以及加权前后的得分变化。
  • 引用识别与预览抽屉:聊天回答中若引用了 Wiki 内容,引用卡片会显示 Wiki 标识;点击引用卡片可在抽屉中预览该 Wiki 页面内容([[]] 链接同样会被渲染),并可溯源到原始文档。

常见问题

Q:开启 LLM Wiki 后原有的检索会受影响吗?

不会。LLM Wiki 是在原有检索之上的「加法」,Wiki 页面作为额外的检索内容参与召回并加权,原有分块检索链路保持不变。

Q:生成 Wiki 需要额外的模型配置吗?

复用知识库已配置的大语言模型即可。抽取粒度越高,模型调用量越大,请结合成本选择合适粒度。

Q:文档更新后需要重新生成吗?

文档重新解析后,使用「增量生成」即可自动识别并只更新变化的文档,无需全量重建。