在大語言模型技術快速發展的當下，檢索增強生成（RAG）技術憑借強大的潛力，在眾多應用場景中得到廣泛運用。嘉為藍鯨 OpsPilot 作為智能運維支撐平臺，深度融合 LLM 大模型能力，基于 RAG 技術構建高效知識庫體系。

在 RAG 技術棧中，提取與分塊如同 “知識手術刀”，將原始文檔精準切割為適合大模型處理的 “知識細胞”，既避免長文本的 “信息肥胖癥”，又防止短文本的 “營養碎片化”，它們直接影響著后續文本向量化的質量，以及檢索效率與大模型輸出的準確性。

01.知識處理

將用戶上傳的各類知識（如各類型文檔、自定義文本、網絡鏈接）進行提取-分塊-增強，以便后續知識向量化和混合檢索。針對不同類型的知識，OpsPilot提供“5+4”類提取、分塊策略，提供給用戶多元搭配選擇，如：用戶上傳一個長文本技術文檔，可先通過章節提取抓取目錄結構內容，再結合語義分塊，基于算法按主題拆分，為后續檢索筑牢基礎。

1）文檔提取

能將各類格式文檔轉化為可供系統處理的文本，從大量原始數據中提取出可被系統處理的文本信息，確保信息的完整性與準確性。它的進行關乎到最終能拿到什么數據信息，比如：無法編輯的PDF文件，質量不好的提取，可能拿到的就是亂碼。OpsPilot 通過五種方式實現高效提取：

（1）五大文檔提取方式

1. 全文提取：適用PDF、MarkDown、TXT等，直接提取全部文本內容，并對掃描版PDF啟用OCR識別圖像文字。
2. 章節提取：適用Word等，利用文檔的目錄結構（如標題）提取內容，適合技術文檔、論文等長文本。
3. 頁面提取：適用PPT等，按頁分割，每頁作為一個獨立單元提取。
4. 對表格——適用Excel（.xlsx/.csv）等

• 工作表提取：將每個工作表（Sheet）作為獨立單元整體提取，保留表格的完整結構和數據。
• 行級提取：提取表頭和逐行數據，生成表頭字段和行記錄。

2）文檔分塊

將長文本拆分為較小的、語義聚焦的短單元，解決長文本向量化中的語義稀釋、計算資源消耗和檢索效率低問題。分塊為文本建立“檢索索引”，提升檢索定位精準度與速度；同時，輕量化文本既能避免大模型輸入超限，又能增強生成邏輯連貫性。OpsPilot 通過四種分塊方式達成以上效果：

• 定長分塊：?適用TXT、PPT、PDF、Excel等。按預設的固定長度分割內容，適合快速批量處理數據。
• 循環分塊：?適用長文本（PDF、TXT等），在定長分塊基礎上，設置塊間內容重疊減少語義斷裂，適合需要連續上下文的。
• 語義分塊：適用結構化文檔（Word、Markdown等）、技術文檔（PDF 帶目錄等），基于內容邏輯分割，保留完整語義單元（如章節、段落模塊），適合需邏輯關聯的長文本處理。
• 不分塊：適用短文本（郵件、摘要）、小型文件（單頁 PPT、簡單表格、短文TXT），保留全部原文內容，適合需要整體理解的場景。

02.功能介紹

1）上傳：多類知識匯聚上傳

知識庫支持三種知識上傳方式，包括：本地文件上傳——私域知識沉淀、網頁知識——動態知識補充、自定義文本——碎片知識整合，覆蓋用戶全方面知識上傳需求。

2）提取：多元格式適配，精準識別內容

為精準識別不同格式文檔內容，OpsPilot 以多元提取方式適配需求。包含全文提取（處理 PDF 等，掃描件啟用 OCR）、章節提取（按 Word 目錄結構解析長文本）、頁面提取（拆分 PPT 單頁），以及表格的工作表整體提取、行級數據提取，實現文檔結構與內容的深度解析。

3）分塊：破解長文本難題，優化檢索效果

提取出可編輯的文本數據后，分塊對其進一步處理，通過精細切割讓知識 “化整為零”，為高效檢索與智能生成鋪就基石。分塊功能依據文本特性與應用場景，提供多元策略：定長分塊、循環分塊、語義分塊、不分塊。分塊通過優化知識顆粒度，讓機器理解與檢索的效率，真正匹配人類的知識邏輯。

03.嘉為藍鯨OpsPilot——更懂運維的AI平臺

嘉為藍鯨OpsPilot是一款集知識庫管理、技能配置、機器人管理和工具管理為一體的智能運維支撐平臺，通過結合LLM大模型強大語義理解、知識增強與多模態處理能力，從而實現運維相關的問答和操作。此外，OpsPilot更加聚焦于運維領域，超出單個LLM大模型的能力范疇，成為更懂運維的智能AI平臺。