知识来源
把文章、文件和操作规则交给 AI,更新索引并检查代理能否找到客户所问的内容。
本页内容
要让 AI 代理按你的规则回答,请添加配送条款、课程说明、操作指南或价目表。每一组资料称为知识来源,位于知识库 → 来源。
添加后平台会提取文字并为搜索作准备,这叫建立索引。在搜索检查中输入客户问题,看看代理会拿到哪些片段。例如“能退款吗?”应找到退款条款。
还须在AI 代理设置中为具体代理选中来源;账户里有文件或文章,并不等于代理自动有权读取。网站来源可定时刷新,其他类型在修改后或手动刷新时重建索引。
来源类型
- 知识库文章:当前机器人的已有文章。已发布文章可成为公开来源,内部文章只供代理使用,草稿不提供可搜索内容。
- 网站:GetMyBot 自动读取允许地址下的页面。
- 文件:上传的 PDF、Word、Excel、PowerPoint、纯文字、Markdown 或 HTML。
- 指令:自己编写的短规则,如代理必须遵守的退款条款。
- 事实:通过其 ID 指定的一条已保存事实。
来源名称最多 120 字符,包含指令文字在内的全部配置最多 64 KB。
可见范围与优先级
每个来源有一种可见范围:
- AI 代理可用:仅代理可搜索。
- 客服可用:留给客服搜索。
- 公开:可出现在帮助中心等公开页面。
文件、指令和事实不能公开;只有已发布的知识库文章可以成为公开来源。权限检查在搜索前进行,只有公开资料权限的代理不会拿到内部片段。
优先级范围为 −100 至 100,用于区分相关程度相同的片段;评分相同则优先显示高优先级来源。但问题匹配得更准确仍比优先级更重要。
网站来源
填写 GetMyBot 可读取的网站 origin,例如不带页面路径的 https://example.com,最多 20 个。再填写 1–100 个开始抓取的页面。仅允许 HTTPS。
抓取受以下边界限制:
- 抓取程序标识为
MyBotKnowledge/1.0,读取每个允许 origin 前先检查robots.txt。跳过Disallow路径,并遵守最多 10 秒的Crawl-delay。 - 仅沿指向允许地址范围内的
<a href>链接继续。移除锚点及utm_*、gclid、fbclid参数,避免重复索引。 - 每次请求都重新解析域名的 IP。Loopback、私网、link-local、multicast 和云元数据地址都不允许。重定向也要通过相同检查,最多三次。
- 15 秒超时,响应体最多 8 MB,只接受 HTML、XHTML、纯文字和 Markdown。
- 每个来源最多索引 100 页。
抓取程序不会登录网站、提交表单或加载脚本、媒体、子资源。密码保护的页面无法直接添加;可发布内容或上传文件。
每隔多少秒刷新仅适用于网站,范围从 60 秒到 366 天。文章、文件、指令和事实不会按计划重读,而是在修改或点击刷新时重建索引。
上传文件
文件须已在当前机器人的媒体库中,大小不超过 8 MB。支持 PDF、DOCX、XLSX、PPTX、text/plain、text/markdown、text/html 和 XHTML。
文字提取有明确限制:
- HTML 只保留标题、列表和链接文字;移除脚本、样式、导航、页眉、页脚、侧栏和模板。
- PDF 只提取文字,最多 100 页;加密或损坏文件整体拒绝,不部分解析。
- Office 文件只读取文字部分,忽略且不会加载宏、内嵌对象及外部连接。压缩包最多 500 个条目、压缩比 100:1、解压后 32 MB、200,000 个 XML 节点和 500,000 个文字字符。
旧二进制 .doc、.xls、.ppt 返回 unsupported_type。请另存为 DOCX、XLSX、PPTX 后再上传。
建立索引与状态
来源卡片会显示:
- 等待建立索引:已创建或修改,尚未处理。
- 正在建立索引:后台已领取任务。
- 就绪:当前内容可被搜索。
- 需要更新:刷新时间到达或内容改变。
- 错误:最近一次处理失败,并有错误代码。
- 已停用:设置保留,但从所有搜索中排除。
GetMyBot 把文字切成约 1,500 字符、重叠 200 字符的片段,再每批 32 个生成语义数字表示(嵌入向量)。只有全部片段处理成功,才用新版整体替换旧版;搜索看到完整旧版或完整新版,不会看到半成品。内容未变时跳过重复处理。
嵌入向量由机器人的 AI 集成通过其 Base URL 和密钥生成,见集成。默认模型 text-embedding-3-small,每片段返回 1,536 个数字。没有可用的 AI 集成,就无法完成搜索准备。
每来源最多 100 份文档,每文档最多 500 个片段。任务中断两分钟后可由其他处理器接手,来源不会一直锁住。卡片显示尝试次数、已处理文档和片段、出错文档;取消建立索引停止当前处理。
搜索返回什么
搜索既考虑问题中的词,也考虑含义。因此“商品怎么退回去?”可能找到退货条款。技术上执行两种搜索:
- 词语搜索在 PostgreSQL 文本索引中找匹配词。
- 语义搜索用向量索引找相近含义,以余弦距离衡量。
两者都先排除其他机器人资料、当前搜索无权查看的来源、停用来源及已删除文档。然后用 reciprocal rank fusion 按排名合并结果;同分时比较来源优先级和最近 30 天的处理时间。同一文档相邻片段会合并。
最多返回 12 个片段,每个最多 800 字符。问题最长 16,000 字符,代理最多可限定 100 个具体来源。代理按排名记录每条片段的来源、文档及位置。若回答引用其他来源,发送前会被拒绝,因此不会引用草稿、隐藏、停用或已删除资料。
搜索检查
知识库 → 搜索检查只显示按问题找到的资料,不生成回答。每条结果显示来源、标题、摘录、匹配评分和原因(“混合匹配”),不展示内部隐藏信息。账户在短时间内的检查次数有限。启用代理前先测;这里的片段若不对,回答也会不对。
建立索引失败时
最近错误会保存为稳定代码:
blocked_address:地址、重定向或解析出的 IP 不在允许范围,或指向内网。robots_denied:robots.txt禁止该路径。unsupported_type:内容类型或文件格式不受支持。file_too_large:下载或文件超过上限。expanded_too_large:提取的文字、页数或解压内容超限。malformed_file:文件或响应无法解析。fetch_timeout:网站超时。rate_limited:嵌入向量服务限流,任务会重试。
排除原因后点刷新。错误信息不会包含抓取到的文字,可以转发给客服。
删除、停用与保留
停用保留设置,但从所有搜索中排除;启用会重新排队处理。删除移除来源及全部文档和片段。
运行中代理选用的来源不能删除,会返回冲突;先从代理设置取消选择或暂停代理。
数据隔离
来源、文档、片段及后台任务均绑定机器人。搜索提前限定当前机器人,即使其他账户有相同文字,也不会返回其资料。
API 与 MCP
REST API 使用 knowledge:read 和 knowledge:write:
GET/POST /api/bots/{botID}/knowledge/sourcesGET/PATCH/DELETE /api/bots/{botID}/knowledge/sources/{sourceID}POST /api/bots/{botID}/knowledge/sources/{sourceID}/uploadPOST /api/bots/{botID}/knowledge/sources/{sourceID}/refreshPOST /api/bots/{botID}/knowledge/sources/{sourceID}/cancelPOST /api/bots/{botID}/knowledge/sources/{sourceID}/disablePOST /api/bots/{botID}/knowledge/sources/{sourceID}/enableGET /api/bots/{botID}/knowledge/sources/{sourceID}/index-statusGET /api/bots/{botID}/knowledge/sources/{sourceID}/documentsPOST /api/bots/{botID}/knowledge/retrieval-test
MCP 只提供 list_knowledge_sources、get_knowledge_source_status、test_knowledge_retrieval 三个读取工具,不提供修改来源或下载隐藏文档的工具。