文档中心

向量数据库VikingDB

知识库(Collection)

search_and_generate

本节将说明如何基于一个已创建的知识库做在线检索，并使用大模型进行整合生成回答。

知识库创建完成、文档导入且处理完成后，即代表可以进行在线检索和模型生成了。
使用 SDK 前请先完成“安装与初始化“页面的前置步骤。

概述

search_and_generate 用于对知识库进行检索，并将检索到的文本片和用户问题组装到 prompt 当中，调用大语言模型生成问题的回答。
知识库文档导入/删除后，知识库更新时间最长滞后 5s，不能立即检索到，待知识库就绪后可正常检索。

请求参数

参数	子参数	类型	是否必选	默认值	备注
collection_name	--	string	否	--	知识库名称只能使用英文字母、数字、下划线_，并以英文字母开头，不能为空长度要求：[1, 64]
project	--	string	否	default	知识库所属项目即在【访问控制】-【资源管理】-【项目】中创建的项目
resource_id	--	string	否	--	知识库唯一 ID 可直接传入 `resource_id` 定位知识库；不传时，使用调用 `get_collection` 获取 Collection 实例时指定的知识库名称，并结合 `project` 定位知识库
query	--	string	是	--	检索文本，最大可输入长度为 8000： query 长度 > 8000 时，接口报错所选 embedding 模型输入最大长度 < query 长度 < 8000 时，query 按所选模型自动截断 query 长度 < 所选 embedding 模型输入最大长度时，正常检索返回
query_param		map	否	--	检索请求参数配置
	doc_filter	map	否	--	检索过滤条件，支持对 doc 的 meta 信息过滤使用方式和支持字段见 filter表达式说明，可支持对 doc_id 做筛选此处用于过滤的字段，需要在 collection/create 时添加到 index_config 的fields 上
retrieve_param		map	否	--	检索召回参数配置
	rerank_switch	bool	否	False	自动对结果做 rerank true：请求 rerank 模型排序；false：不进行 rerank
	retrieve_count	int	否	None	进入重排的切片数量，默认为 25 只有在 rerank_switch 为 True 时生效。retrieve_count 需要大于等于 limit，否则会抛出错误
	rerank_model	string	否	"m3-v2-rerank"	rerank 模型选择仅在 "rerank_switch" == True 的时候生效可选模型： "m3-v2-rerank"：轻量小模型，具有强大的多语言能力，推理速度快
	rerank_only_chunk	bool	否	False	是否仅根据 chunk 内容计算重排分数可选值： True：只根据 chunk 内容计算分 False：根据 chunk title + 内容一起计算排序分
	limit	int	否	10	最终返回的文本片数量，取值范围 [1, 200]
	dense_weight	float	否	0.5	混合检索中稠密向量的权重，1 表示纯稠密检索，0 表示纯字面检索；可选值为 0 或 [0.2, 1]，其他值会抛出错误只有在请求的知识库使用的是混合检索时有效，即索引算法为 hnsw_hybrid
	chunk_diffusion_count	int	否	0	检索阶段返回命中文本片上下几片文本片默认为 0，表示不进行 chunk diffusion 范围 [0, 5]
llm_param		map	否	--	大语言模型参数配置
	model	string	否	"Doubao-pro-32k"	生成使用的大语言模型可选模型： Doubao-pro-4k Doubao-pro-32k Doubao-pro-128k Doubao-lite-4k Doubao-lite-32k Doubao-lite-128k
	max_new_tokens	int	否	2000	最多生成多少个新 token
	temperature	float	否	0.7	生成温度
	top_p	float	否	0.9	用于控制输出 tokens 的多样性，top_p 值越大输出的 tokens 类型越丰富，取值范围 [0, 1]
	top_k	int	否	0	选择预测值最大的 k 个 token 进行采样，取值范围 [0, 1000]，0 表示不生效
	prompt	string	否	"使用以下的信息作为你学习到的知识，这些信息在XML tags 之内. {{ .retrieved_chunks }} 回答用户的问题，用户的问题在 XML tags 之内回答问题时，如果 context 不能回答用户提出的问题，请直接说明你不知道。此外，回答问题时应该精简干练但又完整地回答用户的问题，避免过冗余的回答。 {{ .user_query }} "	{{ .retrieved_chunks }}和{{ .user_query }}是占位符，由后端传入检索到的文本片和用户的问题。 prompt 中必须有且只有上述两个占位符，否则会抛出错误。

示例

请求参数

请先完成SDK初始化，再运行代码，详见初始化SDK

collection_name = "example"
project = ""
query = "DLSP: A Document Level Structure Parser for Multi-Page Digital Documents 这篇论文是关于什么的"

doc_filter = {
    "op": "must",
    "field": "doc_id",
    "conds": ["tos_doc_id_123", "tos_doc_id_456"]
}
query_param = {
    "doc_filter": doc_filter
}

retrieve_param = { 
    "rerank_switch": True,
    "retrieve_count": 30,
    "dense_weight": 0.7,
    "limit": 15,
    "chunk_diffusion_count": 1
}

llm_prompt_extra_context = {
    "self_define_fields": ["自定义元数据1", "自定义元数据2"],
    "system_fields": ["doc_name", "title", "chunk_title", "content"]
}
llm_param = {
    "model": "Doubao-pro-32k",
    "max_new_tokens": 2500,
    "temperature": 0.8,
    "top_p": 0.95,
    "top_k": 10,
    "prompt": "使用以下的信息作为你学习到的知识，这些信息在 <context></context> XML tags 之内.\n\n<context>\n{{.retrieved_chunks}}\n</context>\n\n回答用户的问题，用户的问题在<query></query> XML tags 之内\n回答问题时，如果你不知道，请直接说明你不知道。\n\n<query>\n{{.user_query}}\n</query> "
}

refs = viking_knowledgebase_service.search_and_generate(collection_name=collection_name, query=query, query_param=query_param, retrieve_param=retrieve_param, llm_param=llm_param)

返回值

Python 调用执行上面的任务，返回字典，包含的属性如下表所示。

参数	类型	说明
collection_name	string	知识库名称
count	int	检索返回的结果数量
generated_answer	string	使用大模型生成的内容
prompt	string	组装系统 prompt 和检索到的文本片后最终调用 LLM 时的完整 prompt
usage	map	使用大模型的用量信息 “prompt_tokens”：传入大模型的 token 数量 “completion_tokens”：大模型生成的新 token 数量 “total_tokens”：大模型调用总数
refs	list	检索到的 points 列表

Point 实例包含的属性如下表所示。

属性	类型	说明
collection_name	string	collection 名字
point_id	string	知识点 id
chunk_title	string	知识点所在章节标题
original_question	string	文档为 faq 类型的对应问题
process_time	string	知识点完成处理的时间
content	string	知识点内容
rerank_score	float	重排得分
score	float	检索得分
doc_info	Doc	知识点所在文档信息
chunk_id	string	知识点所在章节 id
table_chunk_fields	list	结构化行信息, 结构化类型生效

最近更新时间：2026.09.08 20:33:10

这个页面对您有帮助吗？

有用

无用