ClawBot自定义知识库训练方法详解

当你发现ClawBot在回答内部流程、产品参数或制度条款这类具体问题时，总是给出一些泛泛而谈的通用答案，甚至直接表示“未找到相关信息”，问题很可能出在知识库上。默认的通用模型并不了解你的专属业务，关键在于如何将那些沉睡在企业文档里的知识，有效地转化为机器能理解、能检索的结构化向量。

这个过程并不复杂，但需要一些细致的准备和配置。简单来说，可以归纳为五个核心步骤：统一格式并校验文本可读性；配置中文嵌入模型与分块参数；本地执行ingest命令完成向量化入库；在技能配置中绑定collection_name；最后，通过真实问答测试召回效果。

一、准备原始知识文档

一切始于高质量的原材料。ClawBot依赖清晰的文本来生成准确的语义向量，所以第一步是确保你的文档“干净”且可读。系统支持PDF、Markdown、TXT、DOCX以及纯文本内容的Excel表格。如果文档是扫描件或图片，必须先经过OCR识别和人工校对，把图像变成文字。

具体操作上，建议将所有待处理的文件集中放到一个本地目录，比如 /root/kb/。接下来，做个大扫除：删除重复文件、临时备份，并把那些带着“_v2_final_revised”之类版本后缀的文件名，统一简化成主干名称，避免混淆。

对于PDF文档，尤其需要验证。一个快速检查的方法是，在终端里跑一下 pdftotext -layout file.pdf - | head -n 20 这个命令，看看输出的前20行是不是清晰可读的文字。如果输出是空的或者一堆乱码，那说明这个PDF可能是扫描版或加密了，你需要重新导出为“文本可复制”的版本。

二、配置嵌入模型与分块策略

文档准备好之后，下一步是决定如何“切割”和“理解”它们。知识切片（Chunk）的质量直接关系到后续检索的精度，切得太碎会丢失上下文，切得太大又可能包含无关信息。ClawBot默认的递归字符分块器效果不错，但你需要根据文档类型手动调整两个关键参数：chunk_size（块大小）和 chunk_overlap（块间重叠）。

同时，嵌入模型的选择决定了文本转化为向量后的表征能力。对于中文场景，在资源允许的情况下，推荐选用像 bge-m3 或 m3e-large 这类针对中文优化的模型，效果会好很多。

配置都在 config.yaml 文件里完成。在 embedding 节点下，指定模型名称，比如 model: bge-m3。接着，在 ingestion 节点中，设置分块参数，例如 chunk_size: 512 和 chunk_overlap: 64。如果你的文档里表格很多，别忘了启用 table_aware: true 这个选项，它能帮助系统更好地保留表格的结构和语义。

三、执行向量化与入库操作

配置妥当，就可以启动生产线了。ClawBot通过一条 clawdbot ingest 命令，就能在本地自动完成文本提取、清洗、分块、嵌入计算和向量写入的全套流程。整个过程不依赖任何外部API，所有敏感数据都在本地处理，安全可控。

操作很简单：进入ClawBot的安装根目录，执行类似 clawdbot ingest --kb-path /root/kb --collection-name corp-policy-v2026 的命令。这时，注意观察终端输出，你会看到类似 [INFO] Embedding progress: 7/12 files 的进度提示。当最终出现 [SUCCESS] Ingestion completed. 1428 chunks indexed. 这样的信息时，恭喜你，所有知识片段已经成功转化为向量，并持久化存储到本地的ChromaDB数据库里了。

四、绑定知识库至对话技能

向量库建好了，但如果不告诉ClawBot该用哪个库，它还是“两眼一抹黑”。这一步就是在对话技能（Skill）中，显式地声明要引用的知识库路径，从而触发RAG（检索增强生成）机制。

你需要打开技能配置文件，比如 skills/qna-skill.json，找到里面的 retriever 字段。将其中的 collection_name 值，修改为上一步你创建的那个集合名称，例如 "collection_name": "corp-policy-v2026"。修改完成后，记得重启网关服务（systemctl restart clawdbot-gateway），让配置生效。

五、验证知识召回效果

最后一步，也是至关重要的一步：实战测试。只有通过真实的、多样的提问，才能检验知识库是否真的“活”起来了。测试时，要避免只用文档里的原句去问，应该覆盖关键词匹配、同义替换、长尾问题以及需要跨文档关联推理的复杂查询。

比如，你可以在企业微信里向ClawBot提问：“员工出差住宿标准是多少？”。理想的回答应该能精准引用到 《2026版差旅管理制度》第3.2条 的具体内容，并且最好能标注出来源。

如果返回的仍然是通用答案，或者提示“未找到相关信息”，那就需要排查了。这时可以执行调试命令 clawdbot debug-retrieval --query "出差 住宿 标准"，直接查看系统检索到的原始向量结果是什么，从而判断问题是出在检索环节，还是后续的生成环节。