知识存储服务把业务文档转换为可供 RAG 应用检索的切片。服务托管文档解析、切片、Embedding、索引和检索，应用只需维护文档并把召回结果交给大模型。
什么是知识存储服务
知识存储服务是基于阿里云表格存储（Tablestore）构建的全托管 Serverless RAG 服务，无需部署和维护任何物理服务器或基础设施。用户通过控制台、SDK 或 CLI 导入文档后，系统自动完成解析、切片、向量化与索引构建，检索时执行混合检索返回相关 Chunk；所有数据存储在用户账号的 OSS 和 Tablestore 内，服务不持有客户数据，存储与计算分离、独立计费。在典型的 AI 应用链路中，知识存储服务处于“知识管理与检索”环节。
如需了解知识存储服务的计费请参见产品计费；如需快速体验知识存储服务，请参见构建第一个知识库。
知识存储服务当前支持地域：华北2（北京）、华东2（上海）、华东1（杭州）、华南1（深圳）、中国香港、新加坡。可就近选择区域接入。
功能优势
Serverless 与弹性
全托管 Serverless 架构，按量付费零元起步，存储与计算独立计费；单个知识库默认最大支持 1000 万个文档。底层基于表格存储的分布式架构，可随业务规模扩展；具体限制参见使用限制。
全托管知识库流水线
文档上传后，系统自动完成文档解析、智能切块、Embedding 向量化、索引构建等全部处理流程。当前已支持 PDF、Word（doc/docx）、Excel（xls/xlsx）、PowerPoint（ppt/pptx）、纯文本（txt）、Markdown（md）等主流文档格式。用户无需自行搭建文档处理 Pipeline，无需管理 Embedding 模型的部署和运维，也无需手动构建和维护向量索引。整个知识库的生命周期管理都由服务端自动完成。
数据自持，完全可控
整个流程中的原始数据、中间数据和结果数据都存储在用户自己的云服务账号（OSS Bucket或Tablestore实例）内。服务本身不持有或转存任何用户数据。这种架构确保了数据的所有权和安全性完全掌握在客户手中，满足金融、政务、医疗等对数据合规性要求极高的行业需求。
灵活定制,精准召回
支持向量检索与全文检索双通道混合召回（语义相似性 + 关键词精确匹配），内置 RRF、加权融合和模型 Rerank 三种重排策略，可按场景选用。从 Embedding 模型选择（内置百炼或自定义）、检索策略配置、元数据过滤条件、到 Chunk 级内容管理，核心模块均可通过接口和参数精细调控。
典型应用场景
应用场景 | 说明 |
企业知识问答系统 | 将企业内部的产品文档、技术手册、FAQ、规章制度等导入知识库，结合 LLM 构建智能问答系统。员工或客户提出问题时，系统从知识库中检索最相关的内容片段，交由 LLM 生成准确、有据可查的回答。适用于客服、HR、法务、IT 运维等多个部门。 |
文档智能搜索与摘要 | 替代传统的关键词搜索引擎，利用向量检索理解用户的搜索意图，返回语义最相关的文档片段。配合元数据过滤（按时间、分类、作者等维度筛选），实现精准的文档检索体验。 |
多租户 SaaS 知识库 | 利用 Subspace 机制，在同一个知识库内为不同租户（用户、部门、客户）隔离数据。每个租户只能检索到自己 Subspace 下的文档，天然实现数据隔离，无需为每个租户创建独立的知识库，大幅降低管理复杂度和成本。 |
RAG Pipeline 集成 | 作为 RAG 架构中的检索层，与 LangChain、LlamaIndex 等主流 AI 框架集成。用户将文档灌入知识库，在推理阶段调用 Retrieve 接口获取相关上下文，拼接到 Prompt 中送入 LLM，实现知识增强的生成效果。 |
合规文档管理与审计 | 金融、医疗、政务等行业的合规文档管理场景。所有数据存储在客户自己的云账户内，满足数据不出域的合规要求。通过元数据（metadata）标注文档的分类、版本、有效期等属性，结合 Metadata Filter 实现精准的合规文档检索。 |
文档导入后的解析、切片和索引构建为异步且由系统自动完成，对实时性或切片策略有严格自定义要求的场景需评估。
纯结构化数据查询建议使用宽表模型或关系型数据库，实时流式数据索引建议直接使用 Tablestore 多元索引。
名词解释
知识库的数据按四层实体组织：
实体 | 说明 |
KnowledgeBase | 知识库，每个知识库对应文档、切片和索引数据。单个知识库默认最多保存 1000 万个文档。 |
Document | 文档记录，关联 OSS 文件，记录文档状态和元数据。 |
Chunk | 文档切片，存储向量数据和原文内容，是检索的最小单元。 |
Index | 服务托管的向量和全文索引，用于检索候选切片。 |
系统自动在 Tablestore 中创建对应的数据表：
Document 表：使用
{知识库名}_{知识库 id}Chunk 表：使用
{知识库名}_{知识库 id}_chunkIndex 表：使用
{知识库名}_{知识库 id}_index
知识库数据源配置
知识库的数据源为阿里云对象存储（OSS）。不论通过哪种方式上传，文档的原始数据都存储在自己的 OSS Bucket 内。
知识库需要对 OSS Bucket 进行读写操作：读取原始文档进行解析和切片，将解析过程的中间结果写回 OSS。
支持以下三种方式将文档导入知识库：
上传本地文件：指定本地文件或目录，SDK 自动上传到 OSS 后添加到知识库。如果是目录，会递归遍历所有文件。
添加 OSS 文件：文件已在 OSS 上时，直接指定 OSS 路径添加到知识库，省去上传步骤。
OSS 目录批量导入 ：指定 OSS 目录路径，系统自动递归扫描目录下所有文件。支持通过
inclusionFilters和exclusionFilters按文件名模式过滤。
每种方式的详细用法参见文档管理。
知识库 Embedding 配置
Embedding 配置决定了文档切片如何被向量化，在创建知识库时指定。
配置项 | 说明 |
| 模型提供方。 |
| 模型名称。百炼支持 |
| 向量维度。例如 |
| 仅 |
| 仅 |
不传 embeddingConfiguration 时，系统默认使用百炼 text-embedding-v4 模型（1024 维），适用于大多数场景。
Embedding 配置创建后不可修改。如需更换模型或维度，必须删除并重建知识库。创建前应充分评估模型选型。
选型建议：
通用中英文场景：推荐
text-embedding-v4（1024 维），在语义理解和性能之间取得较好平衡。已有自研或第三方 Embedding 服务：使用
custom模式接入，保持技术栈统一。维度越高语义表达越丰富，但存储和计算成本也越高。1024 维是大多数场景的推荐选择。
知识库检索策略配置
调用 Retrieve 接口时，检索配置（retrievalConfiguration）按以下优先级确定：
优先级 | 来源 | 说明 |
1（最高） | Retrieve 接口参数 | 本次请求中传入的配置，仅对当次生效 |
2 | 知识库级别配置 | 创建知识库时设定，可通过 UpdateKnowledgeBase 修改 |
3（最低） | 系统默认值 | 向量 + 全文混合检索，WEIGHT 加权融合（向量 0.7 : 全文 0.3） |
检索类型
类型 | 说明 | 适用场景 |
| 向量检索，基于语义相似度 | 用自然语言描述需求，需要理解语义 |
| 全文检索，基于关键词匹配 | 输入精确关键词、专有名词、编号 |
建议同时开启两种检索类型，通过 Rerank 机制融合结果。
Rerank 排序策略
类型 | 说明 | 适用场景 |
RRF | 按排名倒数加权融合，无需额外模型调用 | 通用场景，延迟低 |
WEIGHT | 按比例加权向量与全文检索得分 | 需要精细控制两路检索的贡献比例 |
MODEL | 调用 Rerank 模型对候选结果重排序 | 对排序质量要求高，可接受额外延迟 |
检索策略的详细配置和调优方法参见检索和排序。
多租户管理
Subspace 是知识库内的数据隔离分区，适用于在同一知识库内按用户、部门或租户隔离数据的场景。创建知识库时设置 "subspace": true 开启。
核心规则：
开启 Subspace 后，所有文档操作（添加/查询/删除/列出）和检索都必须 指定
subspace字段，否则报错。Retrieve 支持同时查询多个 Subspace（传入列表），最多 32 个。
Subspace 名称最大长度 128 字节。
Subspace 开关创建后不可修改。
在企业环境中，同一部门的每位员工有各自的文档。部门管理员创建一个知识库并开启 Subspace，为每位员工分配一个独立的 Subspace（如 employee_zhangsan、employee_lisi）。每位员工的文档互不可见，管理员统一管控知识库配置。当需要跨员工检索时，在 Retrieve 时传入多个 Subspace 即可联合检索。
Subspace 与多知识库的选择
维度 | Subspace | 多知识库 |
隔离粒度 | 同一知识库内的逻辑分区 | 完全独立的知识库 |
Embedding 配置 | 共享同一配置 | 每个知识库独立配置 |
检索范围 | 可跨 Subspace 联合检索 | 只能在单个知识库内检索 |
管理成本 | 低（一个知识库管理所有租户） | 高（需管理多个知识库） |
适用场景 | 同质化数据的多租户隔离 | 不同业务域、不同 Embedding 需求 |