知识库文档索引原理
讲解 DB-GPT 知识库如何对上传文档做索引——从原始文件到可被检索的索引。 面向产品/设计同学,不含代码,但所述机制与实现一致 。
这里的"索引"指什么
索引发生在文档同步时,对话时不再重新索引,只做检索。 每篇文档的处理流水线是:
上传 ──► 加载文件 ──► 切分 ──► 向量化 ──► 写入一个或多个索引
│
└─► 可选地额外构建图谱
知识库空间通过 index_methods(一个字符串列表)声明要建哪种索引。三个索引方法可直接选择;
"结构索引"和"代码图谱"是叠加在它们之上的能力(结构索引在检索时才建;代码/标题图谱则建在
KnowledgeGraph 方法之上,或针对 GIT_REPO 空间来建)。
| 索引入口 | 代码名(index_methods) | 同步时建? | 能给你什么 |
|---|---|---|---|
| 向量索引 | VectorStore | 是 | 语义相似度排序 |
| 关键词索引 | FullText | 是 | 精确关键词 / BM25 命中 |
| 知识图谱索引 | KnowledgeGraph | 是 | 对实体/标题/代码做图遍历 |
| 结构索引 | (检索时建树) | 否,查询时重建 | Markdown 标题树 / 父子导航 |
| 代码图谱 | (叠加在 KnowledgeGraph / GIT_REPO) | 是 | 代码文件的 AST,产出 function/class 节点 |
一句话:向量、关键词、知识图谱是三种持久化索引方法。结构索引和代码图谱是 DB-GPT 在它们之上 构建的两种额外索引形态。
1. 结构索引——按文档结构导航
是什么
一种对"已 切好分"文档的视图:按 Markdown 标题层级(H1→H2→H3…)把所有 chunk 组织成一棵树。每个 chunk
在切分阶段就已经带了 Header1/Header2/… 元数据(见下方元数据链路);结构索引只是把这些 chunk
组织成树,让检索能向上跳到父章节、再向下展开它的子节点——而不是把每个 chunk 当成孤立的小岛。
为什么单列(尽管它没有自己的索引方法)
索引阶段 DB-GPT 持久化的是每个 chunk 上的标题路径,并不持久化这棵树。检索时检索器才根据
这些 HeaderN 字段在内存里重建树并遍历(“找到这个叶子 chunk,然后展开它整个父章节,再排序”)。所以
"结构索引"本质是结构化元数据 + 树视图检索器,不是独立的存储。
原理(怎么建、怎么用)
markdown 文档 切分时每个 chunk 写入 HeaderN
────────────── ──────────────────────────────────
# 提示词缓存设计 ──► chunk A { H1: "提示词缓存设计" }
## 核心原理 ──► chunk B { H1: "提示词缓存", H2: "核心原理" }
### 命中条件 ──► chunk C { H1..H3: "命中条件" }
## 三种策略对比 ──► chunk D { H1: "提示词缓存", H2: "三种策略对比" }
│
检索时按 H1>H2>H3 组织成树
▼
┌── H1 提示词缓存 ──┐
│ │
H2 核心原理 H2 三种策略对比
│ │
H3 命中条件 (chunk D)
(chunk C)
- 最擅长:"这一整章讲了啥?""总结第三章"、父节点的上下文扩展。
- 注意:非 Markdown 文档没有标题层级,结构树退化为一个扁平列表——它的价值主要集中在 Markdown / 结构化文档上。
2. 知识图谱索引——关系型检索
这是最丰富的索引,而且它内部不是一张图,而是好几张图,在启用 KnowledgeGraph 方法时一起建:
启用 index_methods = KnowledgeGraph
│
├── (a) LLM 三元组抽取图 语义图: (实体) -谓词- (实体)
├── (b) 文档-段落结构图 结构图: document → chunk → chunk (include / next)
├── (c) Markdown 标题层级图 结构图: file → H1 → H2 → H3 (contains)
└── (d) 代码图谱 结构图: repository → file → function/class (defines)
(a) 和 (b) 落在知识图谱存储(TuGraph / Neo4j / Memgraph);(c) 和 (d) 都落在代码图谱表,共用同一个 builder。
2a. LLM 三元组抽取图(语义图)
把每个 chunk 喂给 LLM,用抽取提示词让它返回 (主语, 谓词, 宾语) 三元组,再 upsert 进图存储,变成
实体 -边- 实体。这就是经典的"从文本里抽知识图谱":它抓住纯关键词/向量检索抓不到的事实和关系。
chunk 文本: "Anthropic 的 prompt cache 通过复用 KV 矩阵来降低成本"
│ LLM 三元组抽取提示词
▼
(Anthropic) ──has──▶ (Prompt Cache)
(Prompt Cache) ──reuses──▶ (KV 矩阵)
(Prompt Cache) ──cuts──▶ (成本)
检索时沿边遍历:命中一个实体就连带展开它的邻居,而每条边记得自己来自哪个 chunk(边上有 _chunk_id
属性),所以答案照样能溯源回原文。
2b. 文档-段落结构图
独立于三元组,KG 存储还会建一个结构骨架:document -include- chunk、chunk -include- chunk
(chunk 嵌套时的父子)、chunk -next- chunk(阅读顺序)。这让检索能从实体 → 包含它的 chunk → 文档
→ 相邻 chunk 一路跳转。(若启用社区汇总变体,还会跑社区检测并用 LLM 总结每个社区。)
2c. Markdown 标题层级图
对 KnowledgeGraph 方法空间下的 .md 文件,builder 从已存的 chunk 重建文件全文,扫描
^(#{1,6})\s+ 标题行(跳过代码块里的标题),产出 heading 节点和 contains 边:
file → H1 → H2 → H3。这相当于上面结构索引的图版本——区别是用边的遍历来查,而不是内存里的树。
2d. 代码图谱
这一节最值得理解。构建 Markdown 标题图的同一个 RepoGraphBuilder,还能从源代码构建图谱,它
正是 GIT_REPO 空间(或上传到 KnowledgeGraph 方法空间的代码文件)做代码级检索的根基。
原理——用 AST 解析,不是用正则:
遍历仓库
repository ──contains──▶ file
│ 扩展名推断语言
┌──────────────────────────┼───────────────────────────┐
│ │ │
.py/.java/.js/.ts/ .md/.markdown 其他语言
.go/.rs/.c/.cpp (标题图 2c) (正则兜底)
│ │
▼ 用 tree-sitter 解析 ▼ 正则扫 def/class
function_definition / class_definition / ... file ──defines──▶ function|class
│
▼ 每个目标 AST 节点
创建节点: type=function|class|method|class|interface|impl|struct|enum|trait
name, file_path, start_line, end_line, language
加边: file ──defines──▶ <该节点>
- 节点:
repository、file,以及代码节点function/class/method/interface/impl/struct/enum/trait。 - builder 产出的边:
contains(repo→file、file→heading)和defines(file→代 码节点)。 - 解析器: 对 tree-sitter 支持 Python / Java / JavaScript / TypeScript / Go / Rust / C / C++。
每种目标 AST 节点类型(如
function_definition、class_definition、method_declaration、interface_declaration、struct_item)会被映射成语义节点类型。没有 tree-sitter 语法的语言退回 正则def/class扫描,仍会产出file -defines-> function|class边。 - 能干嘛: "
apply_anthropic_cache_control定义在哪?""列出PromptCache类的所有方法"——靠节点 查询 +defines边遍历命中,而不是靠模糊的向量近似。
关于边,要诚实交代。 检索层还支持
CALLS/INHERITS/IMPLEMENTS/IMPORTS/REFERENCES边(用于调用链、类继承查询)。但当前的RepoGraphBuilder只产出contains和defines。 因此调用链/继承遍历只有在别的 builder 产出过这些边时才会有结果;纯由本 builder 构建的图上它们会是空的。 设计依赖调用图的功能时务必注意这一点。
3. 向量索引——语义相似度
chunk ──embedding 模型──► [0.12, -0.34, 0.56, …] (如 1024 维) ──► 向量库
问题 ──embedding 模型──► 问题向量 ──余弦相似度──► Top-K chunks
原理
每个 chunk 过一遍 embedding 模型,把文本映射成高维向量;向量 + chunk 元数据一起批量 upsert 进向量库 (Chroma / Milvus / PGVector / Qdrant / Weaviate / …,由空间配置决定)。检索时把问题同样 embedding, 向量库返回与问题向量最近(余弦/内积)的 chunk。
为什么是默认项
向量检索能抓改写/同义:"缓存机制"也能命中"prompt cache",因为即使没有共词,向量也挨得近。它不需要 任何文档结构信息,所有文件类型通吃。
弱点
一个向量是把整段 chunk 平均成一个点——如果 chunk 混了两个主题就会糊;如果精确词很重要(API 名、错误 码)就可能漏掉。所以关键词索引 + 向量索引通常一起开。
4. 关键词索引——精确词匹配(BM25)
chunk ──作为文本写入搜索引擎──► BM25 词项索引
问题 ──分词──► "词项" ──对 chunk 算 BM25 分──► Top-K chunks
原理
chunk 原样作为文本文档存进全文搜索引擎(Elasticsearch,用 BM25 打分;k1/b 可调)。检索时对问题做
分词,按 BM25 分返回 chunk——即按"词频 × 逆文档频率 + 长度归一"打分。没有 embedding、没有 LLM,纯词法匹配。
什么时候赢
精确标识符:apply_anthropic_cache_control、ERR_CONN_REFUSED、某个配置 key。向量检索可能把这种精确词
稀释成"相似但错误"的邻居;BM25 则精确命中并排到最前。
弱点
抓不到同义词/改写(分词后"caching"不一定能稳稳命中"cache",更别提"缓存")。它纯粹是向量索引的补充。
四种索引在检索时如何协同
用户问题
│
┌─────────────────┼─────────────────┐
▼ ▼ ▼
向量 关键词 (BM25) 知识图谱
语义命中 精确命中 / 结构 / 代码
│ │ │
└─────────────────┼─────────────────┘
▼
融合 + 重排(结构树可在此展开父节点)
│
▼
Top-K chunks ──► 拼进 LLM Prompt ──► 带引用的回答
切分与元数据链路(四种索引的共同地基)
四种索引都作用在同一批 chunk 上,所以切分质量决定检索质量。
切分策略
- Markdown 标题切分(
H1→H2→H3):保留语义边界 + 标题路径,最适合技术文档。 - 按大小切分(固定字符数):适合没有结构的纯文本。
- 按分隔符切分(段落 / 换行 / 表格单元格):适合表格 / 非结构化内容。
索引时写入每个 chunk 的元数据(后续所有索引和引用溯源都靠它):
上传 切分 存储
────── ────── ─────
file_name: prompt.md → chunk_id: 101 → vector: [0.12, ...]
file_path: /docs/... → doc_name: prompt.md → content: "前缀逐字..."
doc_type: DOCUMENT → chunk_type: text → meta_info: {
index_methods: → file_path: /docs/... → "Header1": "提示词缓存",
[Vector, FullText, → header_path: H1>H2>H3 → "Header2": "核心原理",
KG] → "Header3": "命中条件"
→ }
关键设计原则
- 三种持久化索引方法——
VectorStore、FullText、KnowledgeGraph——空间级可任意组合。 - 结构索引是"元数据 + 检索时建树",不是独立存储;它依赖切分时写入的
HeaderN。 - 知识图谱索引是一组图——LLM 三元组、文档-段落骨架、Markdown 标题、代码图谱(AST)——共用一套构建链路。
- 代码图谱用 tree-sitter 解析,产出
function/class节点 +defines边,是代码级问答精准命中的 根基。注意调用/继承边当前 builder 并不填充。 - 一次切分,四索引共用——chunk 质量和
HeaderN元数据是所有索引的地基;按文档类型切分 (Markdown→标题、文本→大小、表格→分隔符)。 - 索引/对话解耦——索引在同步时完成,对话只检索,不重新索引。