知识库 RAG — 本地向量索引智能检索

什么是 RAG

RAG（Retrieval-Augmented Generation，检索增强生成）是一种让 AI 回答问题时先检索相关内容再生成答案的技术。NoteGen 把这个机制用到了本地笔记上：

1. 定期把你的 Markdown 笔记做向量化索引
2. AI 对话时，先在向量索引中检索和问题最相关的笔记片段
3. 把检索到的片段连同问题一起发给 AI 模型
4. AI 基于你的真实笔记内容回答

这比单纯让 AI 凭常识回答好太多——它能引用你的真实素材，而不是瞎编。

索引构建

知识库索引构建在后台进行：

• 读取你的写作工作区的所有 Markdown 文件
• 用嵌入模型把每段文字转为向量
• 保存到本地向量数据库
• 文件变更时增量更新

嵌入模型可以是：

• 你配置的模型平台的嵌入 API
• 本地嵌入模型（如 Ollama 的 nomic-embed-text）

启用知识库

在 AI 对话/Agent 工具栏中启用知识库开关。启用后：

• 每次对话自动检索最相关的笔记片段
• 检索片段作为上下文的一部分发给模型
• AI 回答时可以引用这些片段

可以限制：

• 检索哪些文件夹/标签的笔记
• 返回多少个相关片段
• 相似度阈值

重排模型（可选）

除了向量检索，NoteGen 还支持重排模型（reranker）：

1. 先用向量检索返回一批候选片段
2. 重排模型对候选片段做更精确的相关性打分
3. 重新排序后再发给对话模型

重排能显著提升检索质量，尤其是在笔记量很大、检索结果不够精准的时候。

与网络搜索的区别

检索不到的情况

有时候 AI 说"我没找到相关内容"，原因可能是：

• 知识库索引还没构建或更新
• 你的笔记没包含相关内容
• 检索阈值设得太高
• 嵌入模型不适合你的笔记语言/领域

解决：

1. 等待索引构建完成（看设置里的知识库状态）
2. 手动触发一次重新索引
3. 降低相似度阈值
4. 换更好的嵌入模型