博度AI-超1000万+ 知识库检索接口 KnowledgeSearch
通过 function_code 指定专属向量知识库,对其做语义检索;一个 function_code 可绑定一个或多个 collection 实现联合检索;v2.1 新增 多库并发、9 大预设组合、关键词自动推荐——这是博度AI 企业 RAG 体系的核心入口,也是俗人六哥团队所有智能体、文章创作、企业管理、营销、设计、策划、客户咨询助手的底座,预计26年底更新到1亿的知识库体量。
接口介绍
KnowledgeSearch 是博度AI 企业知识库体系对外暴露的核心检索接口。它不直接生成答案,而是对 function_code 所绑定的一个或多个向量知识库做语义检索,返回最相关的若干知识片段及其元数据;后续拼 Prompt、调大模型、做业务加工,都在调用方的业务层处理——这样最灵活,也方便按业务场景切换不同的大模型。
典型调用链路
用户问题 → 业务系统 → POST /api/v2/KnowledgeSearch → 向量检索 → 返回 Top-N 片段 → 拼入大模型 Prompt → 生成最终回答。
v2.1 新增能力
- 10 大知识库矩阵:覆盖博度AI 团队的全部业务知识,新增
lg100_medicine_first_aid_health(医学/急救/健康); - 多库并发查询:1 次请求最多并发查 6 个
function_code,结果按collection分组返回 + 扁平化合并; - 9 大预设组合:把"AI 落地文章""短视频脚本""企业管理"等常见场景预先打包,一行命令调通;
- 关键词自动推荐:把 query 丢进去,自动选最匹配的预设;
- 真实响应结构修订:v2.0 文档把
data.search_results.{collection}误写成data.results[],v2.1 修正为以实际响应结构为准。
本接口只做"找"的活——找到相关知识片段。后续拼 Prompt、调模型、做业务加工,都放业务层处理;这样既能按业务切不同大模型,也能让向量库专注做好"检索"这一件事。
3 步跑通第一次调用
第一次接入,60 秒就能跑出第一条结果。三步走:
选 function_code
从下方「10 大知识库总表」挑一个;联调用 lg01_lg_ai_QA(AI 综合库)或 interface_test(测试通道)即可。
发请求
用任意语言发起 POST 请求;下面给的 cURL 命令复制到终端就能跑——三处替换:API Key、function_code、query。
最小可运行示例
curl -X POST "https://ailg666.top/api/v2/KnowledgeSearch" \ -H "Authorization: Bearer sk_lg-你的Key" \ -H "Content-Type: application/json" \ -d '{ "function_code": "lg01_lg_ai_QA", "query": "AI 如何落地到企业", "limit": 5 }'
把 sk_lg-你的Key 替换成真实 Key;把 function_code 改成你要调的那个;把 query 改成你的问题。三处替换完,就能跑。 / 这里获取apikey
认证 + 接口地址
接口地址
POST https://ailg666.top/api/v2/KnowledgeSearch认证方式 · Bearer Token
每次调用必须在 HTTP Header 里带 Authorization:
Authorization: Bearer sk_lg-你的Key Content-Type: application/json
API Key 是身份凭证,永远不要写进前端代码、提交到公开仓库;生产环境用环境变量或 KMS 管理;公网网关前面再加一层自家鉴权——出事时能做到最小影响面。
请求参数 + 响应格式
请求参数(JSON Body)
RESOURCE_CONFIG_NOT_FOUND;一个 function_code 可在后台绑定 1 个或多个 collection 实现联合检索。
lg01_lg_ai_QA"企业怎么落地 AI"5;RAG 拼 Prompt 一般 3 到 8 条够了,太多会稀释大模型注意力。
5成功响应(真实结构 · v2.1 修订)
v2.0 文档曾把命中数组写成 data.results[],实际响应结构是 data.search_results.{collection_name} ——v2.1 起以实际为准:
{
"success": true,
"code": 200,
"message": "OK",
"data": {
"function_code": "lg01_lg_ai_QA",
"query": "AI 如何落地到企业",
"search_results": {
"lg_ai_QA": [
{
"content": "企业 AI 落地的第一性原理是:先跑通一个高频业务闭环...",
"score": 0.4521,
"rerank_score": 0.9928,
"metadata": {
"source": "博度AI-企业落地方法论-第3章",
"chunk_id": "ch3_p12",
"tags": ["AI落地", "ABC模型"]
}
}
/* ... 其余命中片段,按 rerank_score 倒序 ... */
]
}
},
"points_consumed": 1,
"request_id": "req_a1b2c3d4e5f6",
"timestamp": "2026-04-28T10:30:45+08:00"
}失败响应
{
"success": false,
"code": 404,
"message": "RESOURCE_CONFIG_NOT_FOUND",
"error": {
"detail": "function_code 'lg99_not_exist' 未在系统中配置",
"hint": "请到博度AI 后台检查 function_code 是否正确,或联系管理员配置"
},
"request_id": "req_x9y8z7w6v5u4"
}响应字段说明
| 字段 | 类型 | 说明 |
|---|---|---|
| success | boolean | 调用是否成功;业务层判断以此字段为准。 |
| code | integer | 业务状态码,通常与 HTTP 状态码一致。 |
| message | string | 状态消息;成功为 OK,失败为错误标识。 |
| data.search_results | object | 核心字段;按 collection 名分组的命中片段。 |
| data.search_results.{coll}[] | array | 该 collection 下的命中数组,按 rerank_score 倒序。 |
| [].content | string | 命中知识片段原文。 |
| [].score | float | 语义相似度初始得分(0 到 1)。 |
| [].rerank_score | float | rerank 后的最终得分(0 到 1);推荐用这个排序与卡阈值。 |
| [].metadata | object | 片段元数据:来源、chunk_id、标签等。 |
| points_consumed | integer | 本次调用消耗的点数。 |
| request_id | string | 本次请求唯一 ID;排障时请一并提供。 |
10 大知识库总表
下面是当前博度AI 体系中可用的 10 大向量知识库;每个 function_code 在后台已配置好对应的 collection(向量集合);调用时直接填入 function_code 即可。
function_code 一般是 lg{编号}_{业务关键词}; 下面内容 每个小模块 右上角的数字+英文,就是的function_code的编码;编号 01 到 99 是六哥团队主业务库,100 起是公益/通识类库;调用时记 function_code 即可,collection 是后台细节。
兜底测试通道
不知道选哪个、想先把链路打通时,用 interface_test——这是测试通道,会返回 mock 数据,方便确认鉴权、网络、SDK 都没问题。
function_code 是调用层的编码;一个 function_code 在后台可绑定 1 个或多个 collection(实际向量集合);这样就能在一次调用里实现多知识库联合检索——比如把"六哥风格"和"私域知识库"绑到同一个 function_code 上,一次 query 同时检索两个库。
多库并发查询(v2.1 核心新增)
v2.1 之前,"AI 落地文章"这种跨库主题需要调 3 次接口、自己合并结果。v2.1 给了官方的多库并发方案:用 Python SDK 函数 search_knowledge_multi(),一次最多并发查 6 个 function_code,结果按 code 分组返回 + 扁平化合并。
使用场景
- 跨主题创作:用户问"企业怎么用 AI 做短视频"——AI 库 + 短视频库 + 企业管理库 3 个一起查;
- 风格融合:基础库 +
lg25_liuge_...(六哥风格库)一起查,让回答既有干货又有六哥味; - 智能体路由:智能体不确定该查哪个库,就一次查 3 到 4 个,让 rerank_score 自然投票。
SDK 函数签名
def search_knowledge_multi( function_codes: List[str], # 要并发查的 function_code 列表(去重后最多 6 个) query: str, # 同一个 query 发给所有库 limit: int = 5 # 每个库返回多少条 ) -> Dict[str, Any]: """ 返回结构: { "success": bool, # 任一库成功即 True "total_queried": int, "success_count": int, "query": str, "results_by_code": { # 按 code 分组的详细结果 "lg01_lg_ai_QA": { "success": true, "hits": [...] }, "lg25_...": { "success": true, "hits": [...] }, ... }, "merged_hits": [ # 扁平化合并,每条带 from 标注 {"from": "lg01_lg_ai_QA", "content": {...}}, {"from": "lg25_...", "content": {...}}, ... ] } """
命令行用法(开箱即用)
# 单库查询 python query_knowledge.py -f lg01_lg_ai_QA -q "AI 如何落地到企业" # 多库并发查询(最多 6 个) python query_knowledge.py \ -f lg01_lg_ai_QA lg25_liuge_ip_thinking_style_doing_methodology \ -q "六哥怎么看 AI 落地" # 指定每库返回数量 python query_knowledge.py -f lg01_lg_ai_QA -q "ABC 模型" -l 3
实测下来,6 个 function_code 并发已经覆盖绝大多数跨主题场景;超过 6 个会出现"信息稀释"——rerank 分数被拉平,反而抓不到真正相关的片段。宁少勿多,2 到 4 个最佳。
9 大预设组合 + 关键词自动推荐
每次都记 function_code 太麻烦——v2.1 把"常见文章主题 + 库组合"打包成 9 大预设;调用时只传 --preset 或 --auto,省去记 code 的麻烦。
9 大预设组合
lg11_company_team_management...
lg25_liuge_ip_thinking...
lg13_popular_video_case_structure...
lg10_copywriting_marketing...
lg08_thinking_reconstruction...
lg13_popular_video_case_structure...
lg08_thinking_reconstruction...
lg01_lg_ai_QA
lg25_liuge_ip_thinking...
lg11_company_team_management...
lg10_copywriting_marketing...
lg15_short_video_topic_ip_money
lg01_lg_ai_QA
lg10_copywriting_marketing...
lg01_lg_ai_QA
lg25_liuge_ip_thinking...
lg08_thinking_reconstruction...
lg10_copywriting_marketing...
关键词自动推荐
不想选预设?直接 --auto——脚本扫 query 里的关键词,自动选最匹配的预设:
# 自动按关键词路由 python decompose_and_query.py --auto -q "短视频黄金 3 秒怎么写" # → 命中 ["短视频","黄金3秒","视频脚本"] → 自动选 short_video_article python decompose_and_query.py --auto -q "突然胸口疼怎么办" # → 命中 ["急救","健康","生病"] → 自动选 health_article python decompose_and_query.py --auto -q "六哥谈企业怎么做 AI 培训" # → 命中 ["六哥","ai落地"] → 自动选 liuge_voice_article
ai 落地 / 企业 ai / abc 模型 / 智能体 → ai_article;
短视频 / 黄金 3 秒 / ip 打造 / 流量 → short_video_article;
急救 / 健康 / 生病 / 医学 → health_article(v2.1 新增);
六哥 / 刘哥 / 俗人风格 → liuge_voice_article。
调用示例代码
下面给 Python、cURL、Java、Node.js、多库并发 5 种示例;每份都可直接复制、替换 API Key 后跑通。
# -*- coding: utf-8 -*- """博度AI 知识库检索 · 单库示例""" import requests, json BASE_URL = "https://ailg666.top" API_URL = f"{BASE_URL}/api/v2/KnowledgeSearch" API_KEY = "sk_lg-你的Key" def search(function_code, query, limit=5): headers = { "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json", } payload = {"function_code": function_code, "query": query, "limit": limit} resp = requests.post(API_URL, headers=headers, json=payload, timeout=30) data = resp.json() if data.get("success"): # 真实结构:data.search_results.{coll_name} = [hits] search_results = data["data"]["search_results"] for coll, hits in search_results.items(): print(f"📚 {coll} 命中 {len(hits)} 条") for h in hits: print(f" · score={h['rerank_score']:.4f}") print(f" {h['content'][:80]}...") else: print("❌ 失败:", data.get("message")) if __name__ == "__main__": search("lg01_lg_ai_QA", "AI 如何落地到企业")
curl -X POST "https://ailg666.top/api/v2/KnowledgeSearch" \ -H "Authorization: Bearer sk_lg-你的Key" \ -H "Content-Type: application/json" \ -d '{ "function_code": "lg01_lg_ai_QA", "query": "AI 如何落地到企业", "limit": 5 }'
/** * 博度AI 知识库检索 · Java + OkHttp * 依赖:com.squareup.okhttp3:okhttp:4.12.0 * com.google.code.gson:gson:2.10.1 */ import okhttp3.*; import com.google.gson.*; import java.io.IOException; public class BoduKnowledgeSearch { private static final String BASE_URL = "https://ailg666.top"; private static final String API_URL = BASE_URL + "/api/v2/KnowledgeSearch"; private static final String API_KEY = "sk_lg-你的Key"; private static final OkHttpClient CLIENT = new OkHttpClient.Builder().build(); private static final MediaType JSON = MediaType.parse("application/json; charset=utf-8"); public static void main(String[] args) throws IOException { JsonObject payload = new JsonObject(); payload.addProperty("function_code", "lg01_lg_ai_QA"); payload.addProperty("query", "AI 如何落地到企业"); payload.addProperty("limit", 5); Request request = new Request.Builder() .url(API_URL) .addHeader("Authorization", "Bearer " + API_KEY) .post(RequestBody.create(payload.toString(), JSON)) .build(); try (Response response = CLIENT.newCall(request).execute()) { String body = response.body().string(); JsonObject resp = JsonParser.parseString(body).getAsJsonObject(); if (resp.get("success").getAsBoolean()) { System.out.println("✅ 成功,返回:" + body); } else { System.out.println("⚠️ 失败:" + resp.get("message")); } } } }
/** 博度AI 知识库检索 · Node.js 18+(原生 fetch) */ const BASE_URL = "https://ailg666.top"; const API_URL = `${BASE_URL}/api/v2/KnowledgeSearch`; const API_KEY = "sk_lg-你的Key"; async function search(function_code, query, limit = 5) { const resp = await fetch(API_URL, { method: "POST", headers: { "Authorization": `Bearer ${API_KEY}`, "Content-Type": "application/json", }, body: JSON.stringify({ function_code, query, limit }), }); const data = await resp.json(); if (data.success) { // 真实结构:data.search_results.{coll_name} = [hits] for (const [coll, hits] of Object.entries(data.data.search_results)) { console.log(`📚 ${coll} 命中 ${hits.length} 条`); hits.forEach(h => console.log(` · ${h.rerank_score.toFixed(4)} ${h.content.slice(0,80)}...`)); } } else { console.error("❌ 失败:", data.message); } } search("lg01_lg_ai_QA", "AI 如何落地到企业");
# -*- coding: utf-8 -*- """博度AI 多库并发查询 · v2.1 核心新增""" from concurrent.futures import ThreadPoolExecutor, as_completed import requests API_URL = "https://ailg666.top/api/v2/KnowledgeSearch" API_KEY = "sk_lg-你的Key" HEADERS = {"Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json"} def search_one(code, query, limit=5): resp = requests.post(API_URL, headers=HEADERS, json={"function_code": code, "query": query, "limit": limit}, timeout=30).json() hits = [] if resp.get("success"): for _coll, items in resp["data"]["search_results"].items(): hits.extend(items) return code, hits def search_multi(codes, query, limit=5): """一次并发查多个库,返回扁平化合并结果(带 from 标注)""" codes = list(dict.fromkeys(codes))[:6] # 去重,最多 6 个 merged = [] with ThreadPoolExecutor(max_workers=len(codes)) as ex: futures = {ex.submit(search_one, c, query, limit): c for c in codes} for fut in as_completed(futures): code, hits = fut.result() for h in hits: merged.append({"from": code, "content": h}) # 按 rerank_score 倒序 merged.sort(key=lambda x: x["content"].get("rerank_score", 0), reverse=True) return merged # 用法:AI 落地三库联查 if __name__ == "__main__": hits = search_multi( codes=["lg01_lg_ai_QA", "lg25_liuge_ip_thinking_style_doing_methodology", "lg11_company_team_management_strategy_growth"], query="企业怎么落地 AI", limit=3, ) for h in hits[:10]: print(f"[{h['from']}] {h['content']['rerank_score']:.4f}") print(f" {h['content']['content'][:100]}...")
把 sk_lg-你的Key 改成真实 Key;把 function_code 改成你要调的那个;把 query 改成你的问题——三处替换完,就能跑。
3 个开箱即用脚本(龙虾里面可以参考)
v2.1 配套了 3 个生产级 Python 脚本;可以直接放进项目里用,也可以当 SDK 参考实现。
脚本一 · query_knowledge.py(单库 + 多库统一入口)
支持单库与多库并发;自动从 .env 加载 BODU_API_KEY;Windows 控制台 UTF-8 输出修复;命中数组提取兼容多种返回结构。
# 单库 python query_knowledge.py -f lg01_lg_ai_QA -q "AI 落地" # 多库并发 python query_knowledge.py -f lg01_lg_ai_QA lg25_liuge_ip_thinking_style_doing_methodology \ -q "六哥方法论" # 美化 JSON 输出(调试用) python query_knowledge.py -f lg01_lg_ai_QA -q "ABC 模型" --pretty
脚本二 · decompose_and_query.py(问题拆解 + 预设/自动)
在 query_knowledge.py 之上做了"懒人封装":用 --preset 调 9 大预设组合,用 --auto 按关键词自动选预设——再也不用记 function_code 全称。
# 用预设组合(最省心) python decompose_and_query.py --preset ai_article -q "企业怎么落地 AI" python decompose_and_query.py --preset short_video_article -q "黄金 3 秒怎么写" python decompose_and_query.py --preset health_article -q "突然胸口疼怎么办" # 关键词自动推荐 python decompose_and_query.py --auto -q "六哥谈企业怎么做 AI 培训" # 手动指定多个 codes(最灵活) python decompose_and_query.py \ -f lg01_lg_ai_QA lg25_liuge_ip_thinking_style_doing_methodology \ -q "六哥对 AI 落地的方法"
脚本三 · setup_check.py(环境自检)
第一次装 SDK 完跑一下,6 项检查全部 ✅ 才算装好:
| 检查项 | 说明 |
|---|---|
| Python 版本 | 需要 Python 3.7+。 |
| requests 库 | 没装? pip install requests。 |
| .env 文件加载 | 会从工作目录、skill 根目录、~/.claude/.env 三处自动找。 |
| API Key 环境变量 | 必须以 sk_ 开头;显示时自动打码。 |
| Base URL 配置 | 默认 https://ailg666.top,可通过 BODU_BASE_URL 覆盖。 |
| API 实际连通测试 | 用 interface_test 通道发一次空查,确认网络 + 鉴权都通。 |
.env 配置示范
3 个脚本都会自动找 .env,找到即用,已设的环境变量不覆盖。任意一处放就行:
# 必填 BODU_API_KEY="sk_lg-你的实际Key" # 选填,默认就是 ailg666.top BODU_BASE_URL="https://ailg666.top"
第一次跑 → setup_check.py 全 ✅ → query_knowledge.py -f lg01_lg_ai_QA -q "测试" 看到命中 → 改成自己的业务 query → 上 decompose_and_query.py --preset → 集成进业务系统。
应用案例 · 文章创作工作流
知识库不只是用来"查"的,还可以喂给智能体"用"。下面这套 8 步法是俗人六哥团队内部公众号长文创作 SKILL 的简化版——把 KnowledgeSearch 当成"原料库",让大模型按 ABC 模型组装出一篇 8000 字到 1 万字的深度文章。
8 步流程总览
| 步骤 | 动作 | 关键产物 |
|---|---|---|
| 0 | 判断输入类型 | 问题型 / 材料型;决定是先查 KB 还是先解析材料。 |
| 1 | 问题拆解 + 并发查 KB | 用 decompose_and_query.py 选 2 到 4 个 function_code;六哥风格必加 lg25。 |
| 2 | 输出"知识库重点摘要" | 200 到 300 字的"创作地图"——核心观点、可用案例、媒体资源、融入计划。 |
| 3 | 识别动态信息 | 行业 / 产品 / IP / 人群 / 引流方向 5 类信息提取。 |
| 4 | 开头钩子智能匹配 | 从 15 种钩子里挑最匹配的;连续两篇必须不同类型。 |
| 5 | 生成 3 个标题 | 痛点直击 / 场景代入 / 悬念利益,3 种风格各 1 个。 |
| 6 | 按 70%-25%-5% 写正文 | 纯价值 70% + 解决方案 25% + 转化 5%;含 3 到 6 个图表。 |
| 7 | 结尾引导方向判断 | 到店 / 私域 / 课程 / 直播 / 电商 / 品牌 6 种引导匹配人群称呼。 |
| 8 | 输出"进一步优化建议" | 引导用户补 IP 信息、产品信息、目标人群、引流方向。 |
核心调用片段
智能体在第 1 步触发的 KB 调用,长这样:
# 用户:"写一篇企业怎么用 AI 提升效率的文章,要六哥风格" # 智能体决策: # - 主题 = AI 落地 + 企业管理 + 六哥风格 # - 选预设:liuge_voice_article(包含 lg25 + lg01 + lg10) # - 加企业管理库:lg11_company_team_management... python decompose_and_query.py \ -f lg25_liuge_ip_thinking_style_doing_methodology \ lg01_lg_ai_QA \ lg11_company_team_management_strategy_growth \ -q "企业怎么用 AI 提升效率" \ -l 5 --pretty # 返回 merged_hits :每条带 from 标注,按 rerank_score 倒序 # 智能体把命中片段拼成 RAG Prompt,喂给大模型 # 大模型按 70%-25%-5% 结构出 8000 字长文
新增医学库的应用范例
lg100_medicine_first_aid_health 是 v2.1 新增;典型用法不是写文章,而是给企业 HR 或行政部门做"健康关怀小助手":
- 员工健康卡:把"高血压预防""急救常识"做成可以问答的 Q&A 卡片;
- HR 关怀助手:员工咨询头疼脑热常见处理;助手给到家庭医生级别的初步建议(不出诊断结论);
- 差旅急救包:员工出差前查目的地常见急救物资清单;
- 体检报告辅读:员工拿到体检报告问"这个指标偏高什么意思";助手解释专业术语,给生活方式建议。
lg100_medicine_first_aid_health 仅用于科普与初步答疑,不替代专业医疗诊断;任何严重症状或紧急情况,必须第一时间联系医院或拨打 120;上层应用必须显式提示用户"以医生面诊为准"。
错误码 + 最佳实践
错误码速查
| HTTP | 错误标识 | 说明 / 处理 |
|---|---|---|
| 200 | OK | 调用成功;以响应体的 success 字段为准。 |
| 400 | Bad Request | 请求参数缺失或格式错误,比如 function_code 或 query 没传。 |
| 401 | Unauthorized | API Key 缺失或失效;检查 BODU_API_KEY。 |
| 403 | Forbidden | 当前 Key 无权访问该 function_code 对应的知识库。 |
| 404 | RESOURCE_CONFIG_NOT_FOUND | function_code 在系统中没配置;去后台核对或联系管理员。 |
| 429 | Too Many Requests | 触发限流;指数退避重试 2 到 3 次。 |
| 500 | Internal Error | 服务端异常;带 request_id 联系运维。 |
| 503 | Service Unavailable | 向量服务繁忙;重试或降级到只用基础库。 |
最佳实践 · 安全
- API Key 永远不写进前端代码、永远不提交到公开仓库;用环境变量或 KMS;
- 按应用 / 环境拆分不同 Key,方便按需吊销——出事时能做到最小影响面;
- 公网网关前面再加一层自家鉴权,避免 Key 直接对外。
最佳实践 · 调用
limit一般 3 到 8 条够了,太多反而稀释大模型注意力;query保持"问题化",把用户原始问题直接传入即可,不必重写扩写——模型和向量库会处理;- 多库并发时宁少勿多,2 到 4 个最佳;
- 调用方做限流和重试:429 / 503 时指数退避(exponential backoff)2 到 3 次。
最佳实践 · 结果处理
- 按业务定一个
rerank_score阈值(推荐 0.65),低于阈值的不拼进 Prompt——避免幻觉; - 把
metadata.source保留到最终答案——RAG 的本质是"有出处的回答"; - 记录
request_id,线上排障能秒定位。
最佳实践 · 性能
- 高 QPS 加短缓存(按
function_code + query哈希),相似问题不必重复打向量库; - 对冷启动敏感的场景,应用启动后 warm-up 调一次常见 query;
- 多库并发已经在 SDK 里做了
ThreadPoolExecutor,业务层直接用search_knowledge_multi(),不要自己造轮子。
FAQ + 联系方式
常见问题
data.results[],为什么 v2.1 改成了 data.search_results.{coll}?
data.search_results.{collection_name} 按 collection 名分组的命中数组——v2.1 起以实际为准;如果用 v2.1 SDK,_extract_hits 函数已经把这个差异屏蔽了,调用方拿到的是统一的 hits 数组。
MAX_CONCURRENT = 6;超过 6 个会出现"信息稀释"——rerank 分数被拉平,反而抓不到真正相关的片段;实测 2 到 4 个最佳;如果你确实需要查更多库,建议先做"主题分诊"再分批查。
bdedu2099) 协助开通。
interface_test 把链路打通;再回到「10 大知识库总表」核对编码——大小写、下划线、版本前缀(lg01_ 不是 LG01_)都要一致;并发调用时单个库失败不影响其他库,SDK 会跳过失败库继续返回成功的。
lg100_medicine_first_aid_health 只用于科普与初步答疑;任何严重症状必须第一时间联系医院或拨打 120;上层应用必须显式提示"以医生面诊为准";如果做合规性强的医疗 SaaS,请走专业医疗 RAG 方案,不要直接用本接口。
联系方式
把这套向量知识库变成你公司专属的 RAG 引擎
10 大公共库已经能覆盖绝大多数 AI 落地场景;如果你需要私有化部署、企业专属向量库、或定制 OEM——直接联系俗人六哥团队,把 ABC 模型搬进你公司的业务流。