企业官网建设流程全解析

DB-GPT RAG 参数调优实战：知识空间检索、查询改写与向量数据库切换

【免费下载链接】DB-GPTopen-source agentic AI data assistant for the next generation of AI + Data products.项目地址: https://gitcode.com/GitHub_Trending/db/DB-GPT

导读

本篇技术指南聚焦 DB-GPT 知识库（Knowledge Space）问答能力的三大核心调优主题：RAG 检索参数与提示词参数的自定义、知识查询改写（Query Rewrite）的启用，以及向量数据库的切换。DB-GPT 中的每个知识空间都支持独立的参数定制——包括向量检索相关的 Embedding 参数、知识问答提示词（Prompt）参数与文档摘要（Summary）参数——这让不同业务场景可以拥有差异化的召回质量与生成效果。读完本文，你将掌握知识空间参数调优的完整操作路径、各参数的取值范围与默认值、查询改写开关的配置方法，以及如何将向量存储从默认的 Chroma 平滑切换到 Milvus、Weaviate 或 OceanBase。

一、RAG 参数调优：知识空间的参数定制入口

在 DB-GPT 中，每个知识空间（Knowledge Space）都支持参数定制，定制范围涵盖两部分：

1. 向量检索相关参数（Embedding Arguments）：控制文档切块、向量召回数量与相似度阈值；
2. 知识问答提示词参数（Prompt Arguments）：控制问答场景定义、模板与最大 token 数。

操作入口：在 Web 界面中点击"知识"（Knowledge）模块，会触发弹窗，点击其中的"Arguments"（参数）按钮即可进入参数调优界面。

从源码结构看，知识空间检索的核心实现位于 knowledge_space.py 中的KnowledgeSpaceRetriever类。该类通过RetrieverChain将QARetriever（历史问答检索）与EmbeddingRetriever（向量语义检索）组合为一条检索链路（见 knowledge_space.py#L80-L96），并依据知识空间的retrieve_mode在语义检索（SEMANTIC）/ 关键词全文检索（KEYWORD）/ 文档树检索（Tree）/ 混合检索（HYBRID）四种策略间分发（见 knowledge_space.py#L182-L212）。参数调优界面上修改的值，最终会注入这条检索链路的top_k、score_threshold等输入，从而直接影响召回结果。

二、Embedding 参数详解：控制切块与向量召回

进入参数调优界面后，第一类参数即Embedding Argument，各参数含义如下：

结合源码的补充说明：topk是检索质量最直接的旋钮——top_k值越大，送入 LLM 的候选片段越多，信息覆盖更全，但也会增加 token 消耗与噪音引入风险；recall_score则充当相似度闸门，只有相似度超过该阈值的片段才会被保留，适合对精确度要求高的场景。需要注意的是，界面参数与全局环境变量的默认值并不完全一致：在 config.py 中，全局检索配置KNOWLEDGE_SEARCH_TOP_SIZE默认 5、KNOWLEDGE_SEARCH_RECALL_SCORE默认 0.0、KNOWLEDGE_CHUNK_SIZE默认 100、KNOWLEDGE_CHUNK_OVERLAP默认 50，且KNOWLEDGE_SEARCH_MAX_TOKEN默认 2000。因此知识空间维度的定制优先于全局环境变量，二者共同决定了最终生效的检索行为。此外，从 config.py#L277-L285 可以看到，Embedding 模型还可通过环境变量EMBEDDING_MODEL（默认text2vec）、EMBEDDING_MODEL_MAX_SEQ_LEN（默认 512）配置，并支持RERANK_MODEL与RERANK_TOP_K（默认 3）进行检索后的重排，进一步优化召回排序。

三、Prompt 参数详解：控制问答生成模板

第二类参数为Prompt Argument，用于定制知识问答时发送给 LLM 的提示词：

scene决定了问答发生的业务语境（例如"客服场景""技术文档问答"），template决定响应风格与结构（如固定输出标题、列表、JSON 结构），max_token则约束了生成的篇幅上限。三者配合可有效提升知识问答的输出一致性。从实现角度看，问答链路的构建与检索、生成环节紧密耦合，检索得到的高分片段会作为上下文拼入模板，因此 Prompt 参数与第二节的 Embedding 参数往往需要联动调整——例如增大topk后应同步提高max_token上限，避免长上下文的生成被截断。

四、Summary 参数详解：控制文档摘要的迭代与并发

第三类参数为Summary Argument，用于控制对文档做摘要时的 LLM 调用行为：

从实战角度解读：max_iteration越大，文档摘要的质量通常越好（可以多轮迭代补全细节），但耗时也会显著拉长；concurrency_limit则控制并行调用 LLM 的线程数，增大该值可加快大批量文档的摘要处理速度，但会同时抬升后端推理服务的负载。在长文档、多文档的知识空间中，建议根据后端 LLM 服务吞吐量在"质量-耗时"与"并发-负载"之间权衡。

五、知识查询改写：提升召回率的开关

DB-GPT 支持对 Chat Knowledge 检索启用**查询改写（Query Rewrite）**模式。启用后，检索前会先对用户原始问题做改写/强化（包括改写与纠错），生成多条改写后的查询再去召回，从而提高召回质量——这在用户提问口语化、指代模糊时尤其有效。

启用方式：在.env文件中设置KNOWLEDGE_SEARCH_REWRITE=True，然后重启服务：

# Whether to enable Chat Knowledge Search Rewrite Mode KNOWLEDGE_SEARCH_REWRITE=True

结合源码的补充说明：该开关在 config.py#L303-L306 中被解析为KNOWLEDGE_SEARCH_REWRITE属性，默认值为False，仅当环境变量为"true"（不区分大小写）时启用。查询改写能力的底层实现位于 rewrite.py 中的QueryRewrite类，其功能描述即"query reinforce, include query rewrite, query correct"（查询强化，含改写与纠错），并支持通过提示词参数控制改写的目标语言与数量（见 rewrite.py#L47-L89）。在检索链路中，EmbeddingRetriever会先调用self._query_rewrite.rewrite(...)生成改写后的查询，再基于新查询执行向量召回（见 embedding.py#L143-L196），改写后的查询会打印日志以便排查。开启改写会额外消耗一次 LLM 调用，属于"以少量推理成本换取更高召回率"的选项。

六、切换向量数据库：从 Chroma 到 Milvus / Weaviate / OceanBase

DB-GPT 默认使用Chroma作为向量数据库，通过在.env文件中设置VECTOR_STORE_TYPE即可切换后端向量存储。从源码看，该变量在 config.py#L243 中默认值为"Chroma"，向量存储的实际创建由 storage_manager.py 中的create_vector_store根据应用配置统一完成，并为每个索引维护缓存实例。此外，从 storage_manager.py 可见系统还支持 Elasticsearch 全文存储与知识图谱（KG）存储，分别对应全文检索与结构化图谱检索能力。

6.1 Chroma（默认）

### Chroma vector db config VECTOR_STORE_TYPE=Chroma #CHROMA_PERSIST_PATH=/root/DB-GPT/pilot/data

默认即使用 Chroma，无需额外配置；CHROMA_PERSIST_PATH用于指定数据持久化目录（示例中为注释状态，按需取消注释）。

6.2 Milvus

### Milvus vector db config VECTOR_STORE_TYPE=Milvus MILVUS_URL=127.0.0.1 MILVUS_PORT=19530 #MILVUS_USERNAME #MILVUS_PASSWORD #MILVUS_SECURE=

上述变量在 config.py#L247-L250 中均有对应解析：MILVUS_URL默认127.0.0.1，MILVUS_PORT默认19530，MILVUS_USERNAME与MILVUS_PASSWORD默认为空（可选）。生产环境如需鉴权与加密传输，可取消注释并填写对应值，同时按需设置MILVUS_SECURE。

6.3 Weaviate

### Weaviate vector db config VECTOR_STORE_TYPE=Weaviate #WEAVIATE_URL=https://kt-region-m8hcy0wc.weaviate.network

将VECTOR_STORE_TYPE设为Weaviate，并填写 Weaviate 实例的 URL（示例为云服务地址的占位写法，按实际实例地址修改）。

6.4 OceanBase

OB_HOST=127.0.0.1 OB_PORT=2881 OB_USER=root@test OB_DATABASE=test ## Optional # OB_PASSWORD= ## Optional: If {OB_ENABLE_NORMALIZE_VECTOR} is set, the vector stored in OceanBase is normalized. # OB_ENABLE_NORMALIZE_VECTOR=True

OceanBase 配置项在 config.py#L257-L265 中均有对应解析，默认值分别为：OB_HOST=127.0.0.1、OB_PORT=2881（整数类型）、OB_USER=root、OB_DATABASE=test、OB_PASSWORD为空、OB_ENABLE_NORMALIZE_VECTOR关闭。注意文档示例中用户名写作root@test（含租户后缀），而源码默认值为root，实际使用时应以你的 OceanBase 集群租户格式为准。若设置OB_ENABLE_NORMALIZE_VECTOR=True，则存入 OceanBase 的向量会被归一化处理。

七、相关文档与深入阅读

• 知识库索引原理：了解一份文档如何变为可检索内容（结构化索引 / 知识图谱索引（含代码图谱）/ 向量索引 / 关键词索引）；
• Agentic RAG 对话原理：了解一个问题如何经由 agentic 检索循环变成带引用的答案；
• RAG 模块参考：RAG 相关模块的完整参考文档。

结语

通过本文介绍的三个层面——知识空间级参数调优（Embedding / Prompt / Summary）、查询改写开关（KNOWLEDGE_SEARCH_REWRITE=True）与向量数据库切换（VECTOR_STORE_TYPE）——你可以系统性地优化 DB-GPT 知识库问答的召回质量、生成一致性与底层存储选型。建议在实际调优时以知识空间的界面参数为第一优先级，并结合 config.py 中列出的全局环境变量做兜底与联动配置，通过对比topk、recall_score前后的回答差异，找到适合自身业务数据的最佳参数组合。

【免费下载链接】DB-GPTopen-source agentic AI data assistant for the next generation of AI + Data products.项目地址: https://gitcode.com/GitHub_Trending/db/DB-GPT