结论： 平台知识库采用结构化检索 + 片段注入的 RAG 形态，未使用向量数据库。因为知识规模小、结构固定、需要精确命中与可解释性，向量库的语义模糊检索在此场景反而引入不确定性。
RAG 的实际形态
平台 RAG = 结构化/关键词检索（search_knowledge）+ 片段注入 + LLM 生成
（非向量检索）
二、平台知识库是否使用向量库？
结合平台机制看，平台知识库主要采用结构化/关键词检索，而非向量库：
1. 检索方式
- 按
defect_type（缩水）+query（关键词）检索 - 返回的是精确命中的知识条目（如 tuning-shrinkage），而非语义相似度排序
- 这更接近结构化查询/关键词匹配，不是向量相似度检索
2. 知识形态
- 知识以结构化 Markdown 文档（title/trust_level/body）存储
- 参数语义用映射表（编码↔中文↔描述）维护
- 这些是确定性结构，不需要向量化
3. 为什么不用向量库
- 平台知识库规模小、结构固定（缩水/调机等有限主题）
- 检索目标是精确命中（缩水→tuning-shrinkage），而非语义模糊匹配
- 结构化检索更可控、可解释，符合工业场景对确定性的要求
转载请注明来源。若文章内容存在错误、过期信息或更优解法，欢迎在仓库中提出修正。