您在此处：
通过丰富搜索索引检索响应
通过将问题与 Knowledge 库中具有最佳答案的段落匹配，丰富索引增强了检索响应。虽然 Data 360 混合搜索结合了语义感知向量搜索的优势与关键字搜索的精度和速度,但丰富的索引通过找到最接近用户问题的块来进一步缩小差距。
丰富索引和检索扩充生成 (RAG)
丰富索引通过两种方式缩小了差距。首先，它基于原始的普通块（问题块）生成问题，因此矢量搜索会为用户问题找到近乎完美的替代问题。其次，它为每个原始的普通块提取丰富的元数据块 — 标题、汇总、关键字、命名实体和主题类别。因为 Data 360 将元数据块嵌入为向量，所以它提高了向量和关键字的搜索分数。提取的、概念丰富的文本为向量搜索提供了更好的语义匹配，而显式关键字有助于关键字匹配。两个派生块都指向原始普通块，作为检索时的来源。
如果搜索多次检索普通块，检索过程仅保留普通块的一个实例。当多个丰富块指向与源块相同的普通块时，就会发生这种重复。
回复：Knowledge 库包含具有正确响应的文章。该文章有一个部分作为过程编写，“导航到恢复页面并输入您的电子邮件地址”。
差距：作为过程编写的段落与问题的含义不同。Data 360 接收 Knowledge 文章并将其编入索引。在检索过程中，由于此差距，此块的得分可能远低于预期。因此，检索有时会排除此段落。
当您使用大型语言模型 (LLM) 打开丰富索引时，Data 360 会为包含此过程内容的原始普通块创建元数据块和问题块。
元数据块包括关于普通块的丰富元数据，例如：
标题：“密码恢复”
摘要："通过恢复页面重置登录凭据的步骤。"
关键字：恢复、凭据、重置链接、电子邮件
实体：恢复页面，注册电子邮件（通道中的命名内容）
主题：客户管理、身份验证
问题块包括普通块回答的自然语言问题，例如：
“如何重置密码？”
“如果我忘记登录，该怎么办？”
“密码重置链接的有效期是多久？”
“我在哪里可以恢复帐户访问权限？”
所有 3 个块都是相同索引的一部分。因此，当您搜索响应时，任何块类型都可以匹配。在此示例中，原始查询匹配问题块。Data 360 搜索索引返回原始纯块、实际文档文本，而不是派生的丰富块。包含正确答案的原始普通块得分高于其他匹配项。
