在很多项目里,知识库最开始只是一些 Markdown、FAQ、产品说明、技术文档或运营手册。
如果只需要展示页面,把这些内容放在 Git 仓库、CMS 或对象存储里都可以。但当我们希望进一步做站内搜索、相关文章推荐、智能问答,甚至让 LLM 基于这些内容回答用户问题时,内容就不能只停留在“文件”层面。
一种轻量而实用的方案是:
使用 PostgreSQL 作为知识库的结构化存储层,将文档、段落、标签、来源、向量和检索状态统一管理,再结合 LLM 实现问答。
如果使用 Supabase,本质上也是在使用托管 PostgreSQL,并且可以比较方便地启用 pgvector、权限策略和 API 能力。
整体思路
知识库的核心不是“把所有内容丢给大模型”,而是先在数据库里完成可控的内容管理和召回。
一个基础流程可以这样设计:
Markdown / 文档 / FAQ
│
▼
解析与清洗
- 提取标题、摘要、标签、来源
- 去除无用格式
- 按段落或语义切分
│
▼
PostgreSQL
- documents:文档元数据
- document_chunks:知识片段
- tsvector:全文检索
- vector:语义检索
│
▼
检索层
- 关键词检索
- 向量召回
- 混合排序
│
▼
LLM 回答
- 拼接上下文
- 限定回答范围
- 返回引用来源
这里 PostgreSQL 承担的是知识库的“底座”:保存内容、维护结构、提供查询能力,并为 LLM 提供可控上下文。
数据表设计
可以先把知识库拆成两层:文档和片段。
documents 保存一篇完整内容的元数据,例如标题、slug、来源、语言、状态和更新时间。
create table documents (
id uuid primary key default gen_random_uuid(),
slug text not null unique,
title text not null,
summary text,
source text,
locale text not null default 'zh',
tags text[] not null default '{}',
status text not null default 'published',
published_at timestamptz,
updated_at timestamptz not null default now()
);
document_chunks 保存被切分后的知识片段。LLM 问答时通常不会把整篇文章塞进上下文,而是召回最相关的几个片段。
create table document_chunks (
id uuid primary key default gen_random_uuid(),
document_id uuid not null references documents(id) on delete cascade,
chunk_index int not null,
heading text,
content text not null,
token_count int,
search_vector tsvector,
embedding vector(1536),
created_at timestamptz not null default now(),
updated_at timestamptz not null default now()
);
其中:
content是片段正文search_vector用于 PostgreSQL 全文检索embedding用于向量检索heading用于保留片段所属小标题,方便回答时生成引用
如果暂时还不做向量检索,可以先不加 embedding 字段,只用全文检索和结构化标签就能跑起来。
文档切分
知识库问答的质量,很大程度取决于切分策略。
切得太大,召回内容会冗余,浪费上下文;切得太小,片段缺少语义,LLM 容易拿不到完整信息。
比较稳妥的做法是:
- 优先按 Markdown 标题切分
- 每个片段保留所属标题路径
- 单个片段控制在 300 到 800 中文字左右
- 过长段落再按自然段拆分
- 表格、列表、代码块尽量不要从中间切断
例如一篇 Markdown:
## 退款规则
课程购买后 7 天内,如果学习进度低于 20%,可以申请退款。
## 发票说明
企业客户可以申请普通发票或专用发票。
可以被切成两个 chunk:
[
{
"heading": "退款规则",
"content": "课程购买后 7 天内,如果学习进度低于 20%,可以申请退款。"
},
{
"heading": "发票说明",
"content": "企业客户可以申请普通发票或专用发票。"
}
]
这样做的好处是,检索结果不仅能返回正文,也能告诉用户答案来自哪个主题。
全文检索
PostgreSQL 自带全文检索能力,适合处理明确关键词问题。
例如用户搜索“退款 发票”,可以用 to_tsvector 和 plainto_tsquery 做匹配。
update document_chunks
set search_vector = to_tsvector('simple', coalesce(heading, '') || ' ' || content);
然后创建索引:
create index document_chunks_search_idx
on document_chunks
using gin(search_vector);
查询时:
select
dc.id,
dc.heading,
dc.content,
ts_rank(dc.search_vector, plainto_tsquery('simple', '退款 发票')) as rank
from document_chunks dc
join documents d on d.id = dc.document_id
where
d.status = 'published'
and dc.search_vector @@ plainto_tsquery('simple', '退款 发票')
order by rank desc
limit 5;
全文检索的优势是结果可解释、成本低、速度快。它适合“用户的问题里已经包含明确关键词”的场景。
向量召回
当用户的问题不是简单关键词,而是语义表达时,就需要向量检索。
例如:
买了课之后不满意怎么办?
这句话不一定包含“退款”两个字,但语义上应该召回“退款规则”。
使用 pgvector 后,可以给 document_chunks.embedding 建索引:
create extension if not exists vector;
create index document_chunks_embedding_idx
on document_chunks
using ivfflat (embedding vector_cosine_ops)
with (lists = 100);
查询时先把用户问题转成 embedding,再做相似度检索:
select
dc.id,
dc.heading,
dc.content,
1 - (dc.embedding <=> $1) as similarity
from document_chunks dc
join documents d on d.id = dc.document_id
where d.status = 'published'
order by dc.embedding <=> $1
limit 5;
这里 $1 是用户问题的向量。
向量召回更适合自然语言问题,但它也有不足:有时语义相近不代表业务答案正确。所以实际项目里通常不会只依赖向量召回。
混合召回
更稳妥的方式是把全文检索和向量召回结合起来。
一种简单做法:
- 用全文检索召回一批结果
- 用向量检索召回一批结果
- 合并去重
- 按关键词分数、向量相似度、文档权重、更新时间重新排序
伪代码大致是:
const keywordResults = await searchByKeyword(question);
const vectorResults = await searchByEmbedding(questionEmbedding);
const merged = mergeAndRerank({
keywordResults,
vectorResults,
weights: {
keyword: 0.4,
vector: 0.5,
freshness: 0.1,
},
});
对中小型知识库来说,这种混合召回已经足够处理很多真实问题。
如果后续内容量很大、查询复杂度很高,再考虑引入专门的搜索服务或向量数据库也不迟。
LLM 问答接口
召回相关片段后,再把这些片段作为上下文交给 LLM。
关键点是:不要让模型自由发挥,而是明确要求它只能基于上下文回答。
const context = chunks
.map((chunk, index) => {
return `[${index + 1}] ${chunk.heading ?? '知识片段'}\n${chunk.content}`;
})
.join('\n\n');
const prompt = `
你是一个知识库问答助手。
请只基于下面的资料回答用户问题。
如果资料中没有答案,请直接说明“当前资料中没有找到相关信息”。
回答后列出引用编号。
资料:
${context}
用户问题:
${question}
`;
回答结果可以包含引用:
课程购买后 7 天内,且学习进度低于 20% 时,可以申请退款。参考资料:[1]
这样做可以降低幻觉,也方便用户回到原文确认。
内容更新流程
知识库不是一次性导入就结束了。更常见的情况是:文章、FAQ、产品说明会持续更新。
可以沿用 Git + GitHub Actions 的流程:
Markdown 更新
│
▼
GitHub Actions
- 校验 frontmatter
- 更新 documents
- 重新切分 chunks
- 生成 embedding
- upsert 到 PostgreSQL
│
▼
Next.js / API
- revalidate 页面缓存
- 问答接口读取最新知识片段
更新策略可以简单一些:
- 文档内容没变:不重新生成 embedding
- 文档内容变化:删除旧 chunks,重新切分并写入
- 标题、标签变化:只更新
documents - 发布状态变化:立即影响检索条件
如果内容量不大,重新生成整篇文章的 chunks 和 embedding 是可以接受的。等数据规模上来后,再做增量 diff。
权限与安全
知识库如果只服务公开内容,权限模型会比较简单。
如果涉及内部文档、客户资料或付费内容,需要在检索层就做权限过滤,而不是等 LLM 回答后再过滤。
例如:
select dc.*
from document_chunks dc
join documents d on d.id = dc.document_id
where
d.status = 'published'
and d.visibility in ('public', 'customer')
order by dc.embedding <=> $1
limit 5;
原则是:用户没有权限看到的内容,不应该进入 LLM 上下文。
在 Supabase 场景中,还可以结合 RLS 控制不同用户、组织或角色能访问哪些文档。
这种方案适合什么场景
基于 PostgreSQL 的知识库适合:
- 公司官网 FAQ 和技术博客问答
- SaaS 帮助中心
- 内部运营手册
- 产品文档检索
- 中小型 RAG 问答系统
- 已经使用 Supabase/PostgreSQL 的项目
它的优势是工程链路短,内容、元数据、权限、全文检索和向量检索可以放在同一个数据库里,开发和维护成本都比较可控。
当然,它不是所有知识库的终点。如果内容规模非常大,或者需要复杂搜索排序、日志分析、多租户大规模向量检索,后续可以把搜索层拆出去。但在早期阶段,先用 PostgreSQL 把内容资产管理起来,通常已经足够。
实践场景:学在大马
以“学在大马”这类教育信息平台为例,知识库并不只是几篇静态文章。它可能同时包含:
- 学校介绍
- 学费说明
- 课程体系
- 申请流程
- 签证与陪读政策
- 家长常见问题
- 留学指南和案例内容
这些内容天然适合先进入 PostgreSQL:学校、城市、课程、标签、发布时间、语言版本等字段可以结构化查询;正文内容可以切分成知识片段,用全文检索和向量检索做召回。
当用户提问“吉隆坡有哪些适合低龄孩子的国际学校?”或“申请马来西亚国际学校一般需要准备什么材料?”时,系统可以先从 PostgreSQL 中筛选公开且相关的学校数据、指南文章和 FAQ 片段,再交给 LLM 生成回答。
这样做的重点不是让模型凭空回答,而是让模型基于平台已经整理过、审核过的内容回答。PostgreSQL 在这里承担的是内容事实库和召回层,LLM 负责把召回结果组织成更自然的表达。
总结
使用 PostgreSQL 搭建知识库的关键,不是把数据库当成简单的文本仓库,而是利用它的结构化能力:
- 用表结构管理文档、片段、状态和来源
- 用全文检索处理明确关键词问题
- 用
pgvector处理语义相似问题 - 用混合召回提高问答稳定性
- 用权限过滤确保 LLM 只能读取用户可见内容
- 用 GitHub Actions 或后台流程持续同步知识内容
这样一来,Markdown、文档和 FAQ 不只是页面内容,也可以成为搜索、推荐和智能问答的基础数据。