CNB
AI助手
知识库

知识库

知识准备

了解构建 RAG 应用流程

下图展示通过 CNB 的知识库插件 2 步构建 RAG 应用。

通过 CNB 的知识库插件 2 步构建 RAG 应用

1. 使用知识库插件将仓库的文档导入到知识库

使用 CNB 知识库插件将仓库的文档导入到 CNB 的知识库中， 插件在云原生构建中运行， 会自动处理文档切片、分词、向量化等操作。 知识库构建完成后，可以被下游的 LLM 应用使用。

2. 调用 CNB Open API 检索，开发 LLM 应用

知识库构建完成后，使用 CNB 的 Open API 进行召回，并结合 LLM 模型生成回答。

常见的 RAG 应用运行流程如下：

1.用户提问

2.理解用户问题后，使用 Query 调用知识库检索。如上文所述，使用 CNB 的 Open API 进行检索，获取相关文档片段

3.拿到从 CNB 知识库检索的结果后，构建拼接 Prompt 问题 + 知识上下文，例如拼接后 prompt 一般会这样：

用户提问：{用户问题}

知识库：
{从知识库检索到的内容}

请根据以上知识库，回答用户的问题。

4.将拼接后的 prompt 发送给 LLM 模型，生成回答，返回给用户

具体使用方法

步骤 1：配置流水线使用知识库插件

插件镜像名字：cnbcool/knowledge-base

在代码仓库的 .cnb.yml 中配置流水线，使用知识库插件。 如下图配置，当仓库的 main 分支有代码提交时，会触发流水线，自动使用知识库插件对 Markdown 文件进行切片、分词、向量化等处理，并将处理后的内容上传到 CNB 的知识库中。

1
2
3
4
5
6
7
8
9

main:
  push:
    - stages:
        - name: build knowledge base
          image: cnbcool/knowledge-base
          settings:
            embedding_model: hunyuan
            include: "**/**.md"
            exclude: ""

部分插件参数说明如下，如果需要了解更多参数，请参考 cnbcool/knowledge-base 插件文档。

参数名说明默认值备注
embedding_model嵌入模型-目前只支持 hunyuan
include指定需要包含的文件*（所有文件）使用 glob 模式匹配，默认包含所有文件
exclude指定需要排除的文件空使用 glob 模式匹配，默认不排除任何文件
chunk_size指定文本分块大小1500
chunk_overlap指定相邻两个分块之间的重叠token数量0

步骤 2：使用知识库

知识库构建完成后，可以通过 Open API 对该仓库所属知识库进行查询检索，召回后的内容可以结合 LLM 模型生成回答。

:::tip 开始之前，请阅读：CNB Open API 使用教程 访问令牌需要权限：repo-code:r（读仓库代码）

注意: {slug} 应替换为仓库 slug，例如 CNB 官方文档知识库的仓库地址为 https://cnb.cool/cnb/docs， 则 {slug} 就是 cnb/docs :::

接口信息

  • URL: https://api.cnb.cool/{slug}/-/knowledge/base/query
  • 方法: POST
  • 内容类型: application/json

请求参数

请求体应为 JSON 格式，包含以下字段:

参数名类型必填描述
querystring是要查询的关键词或问题

请求示例 

{
  "query": "云原生开发配置自定义按钮"
}

响应内容

响应为 JSON 格式，包含一个结果数组，每个结果包含以下字段:

字段名类型描述
scorenumber匹配相关性分数，范围 0-1，值越高表示匹配度越高
chunkstring匹配的知识库内容文本
metadataobject内容元数据
metadata 字段详情
字段名类型描述
hashstring内容的唯一哈希值
namestring文档名称
pathstring文档路径
positionnumber内容在原文档中的位置
scorenumber匹配相关性分数，值越高表示匹配度越高

响应示例 

[
  {
    "score": 0.8671732,
    "chunk": "该云原生远程开发解决方案基于Docker...",
    "metadata": {
      "hash": "15f7a1fc4420cbe9d81a946c9fc88814",
      "name": "quick-start",
      "path": "vscode/quick-start.md",
      "position": 0,
      "score": 0.8671732
    }
  }
]

使用示例

cURL 请求示例

注意: {slug} 应替换为仓库 slug，例如 CNB 官方文档知识库的仓库地址为 https://cnb.cool/cnb/docs， 则 {slug} 就是 cnb/docs，替换后完整的请求地址：https://api.cnb.cool/cnb/docs/-/knowledge/base/query

curl -X "POST" "https://api.cnb.cool/{slug}/-/knowledge/base/query" \
  -H "accept: application/json" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer ${token}" \
  -d '{
    "query": "云原生开发配置自定义按钮"
}'

获取到的响应内容可以结合 LLM 模型生成回答。

RAG 小应用示例

例如，一个使用 JavaScript 实现的简单 RAG 应用示例代码如下：

import OpenAI from "openai";

// 配置
const CNB_TOKEN = "your-cnb-token"; // 替换为你的 CNB 访问令牌, 需要权限：`repo-code:r`（读仓库代码）
const OPENAI_API_KEY = "your-openai-api-key"; // 替换为你的 OpenAI API 密钥
const OPENAI_BASE_URL = "https://api.openai.com/v1"; // 或者你的代理地址
const REPO_SLUG = "cnb/docs"; // 替换为你的仓库 slug

// 初始化 OpenAI 客户端
const openai = new OpenAI({
  apiKey: OPENAI_API_KEY,
  baseURL: OPENAI_BASE_URL,
});

async function simpleRAG(question) {
  // 1. 调用CNB知识库检索
  const response = await fetch(
    `https://api.cnb.cool/${REPO_SLUG}/-/knowledge/base/query`,
    {
      method: "POST",
      headers: {
        "Content-Type": "application/json",
        Authorization: `Bearer ${CNB_TOKEN}`,
      },
      body: JSON.stringify({ query: question }),
    },
  );

  const knowledgeResults = await response.json();

  // 2. 提取知识内容（这里假设取全部结果）
  const knowledge = knowledgeResults.map((item) => item.chunk).join("\n\n");

  // 3. 调用OpenAI生成回答
  const completion = await openai.chat.completions.create({
    model: "gpt-4.1-2025-04-14",
    messages: [
      {
        role: "user",
        content: `问题：${question}\n\n知识库：${knowledge}\n\n请根据知识库回答问题。`,
      },
    ],
  });

  return completion.choices[0].message.content;
}

// 使用示例
const answer = await simpleRAG("如何开发一个插件？");
// 输出结合知识库的回答
console.log(answer);
最后更新于
AI助手简介