📚 **分层知识管理：** Chat2Graph 的知识库服务区分为全局知识库（存储基础知识，供所有会话共享）和会话知识库（存储与当前会话相关的私有知识，与会话隔离）。这种设计确保了知识的有效隔离和共享，满足不同场景下的知识管理需求。

🗄️ **多模态检索能力：** Chat2Graph 知识库支持向量检索（基于 Chroma，通过向量相似度匹配文档片段）和图检索（基于 TuGraph，在知识图谱中匹配相关子图和社区摘要），提供灵活且强大的知识检索方式，以应对多样化的查询需求。

⚙️ **灵活的配置与集成：** 用户可通过 .env 环境变量轻松配置知识库类型（向量或图），并支持 PDF、TXT、XLSX 等多种文件格式的上传。知识库服务与推理机紧密集成，检索到的知识被注入推理上下文，辅助大模型生成更精准、领域相关的回答。

🧠 **记忆系统中的角色：** 知识库服务是 Chat2Graph 分层记忆系统（参考 DIKW 模型）的 L2 层（Lesson）的初步实现，负责存储领域知识和最佳实践。它为智能体提供持久化的学习和适应能力，并有望未来与记忆系统、环境融为一体，构建更完整的智能体认知架构。

在前面的系列文章中，我们已经深入学习了 Chat2Graph 的多个核心模块：从智能体的协作机制，到任务规划与执行，再到工作流引擎，以及推理机和工具系统的实现。今天，我们将继续学习 Chat2Graph 的另一个关键组件——知识库服务，探索它如何为智能体系统提供强大的知识管理和检索能力。

知识库为智能体提供持久化的知识存储和检索服务，使得智能体能够基于领域知识回答专业问题，而不仅仅依赖于大模型的训练数据。在 Chat2Graph 中，知识库的设计兼顾了向量检索和图检索两种方式，形成了一套完整的知识管理体系。

知识库基本使用

Chat2Graph 的知识库在使用上分为 全局知识库 与 会话知识库 两个层次：

全局知识库：存储整个智能体系统的基础知识，任何会话都可以获取全局知识库中的知识；会话知识库：存储与当前会话相关的私有知识，与会话一一对应，只在当前会话中生效，不会被其他会话的知识干扰；

可以在 “知识库管理” 页面对这两种知识库进行管理：

另外，Chat2Graph 支持两种不同的知识存储和检索方式：

向量知识库：基于 Chroma 设计的向量知识库，检索时根据向量相似度匹配与问题最接近的文档片段；图知识库：基于 TuGraph 设计的图知识库，检索时在知识图谱中匹配与问题相关的子图与社区摘要；

尽管 Chat2Graph 支持 TuGraph 和 Neo4j 两种图数据库的管理，但是知识库这里暂时只支持 TuGraph。

用户可以通过 .env 环境变量配置来选择使用哪种知识库类型。

配置向量知识库：

KNOWLEDGE_STORE_TYPE=VECTOR

向量知识库默认存储在本地 Chroma 文件中，位于 ~/.chat2graph/knowledge_bases 目录。

配置图知识库：

KNOWLEDGE_STORE_TYPE=GRAPH# TuGraph 配置GRAPH_KNOWLEDGE_STORE_HOST=127.0.0.1GRAPH_KNOWLEDGE_STORE_PORT=17687GRAPH_KNOWLEDGE_STORE_USERNAME=adminGRAPH_KNOWLEDGE_STORE_PASSWORD=password

配置好知识库类型后，点击 “全局知识库” 或 “会话知识库”，上传文件：

支持 PDF、TXT、XLSX、DOC、DOCX、MD 等文件格式。然后点击 “下一步” 进入数据处理的配置，这块目前很粗糙，就一个分块大小参数：

然后点击 “确定” 完成知识的添加。

知识库接口

Chat2Graph 的知识库服务提供了一套完整的 RESTful API：

# 获取所有知识库GET /knowledgebases/# 获取指定知识库GET /knowledgebases/{kb_id}# 更新知识库信息PUT /knowledgebases/{kb_id}# 清空/删除知识库DELETE /knowledgebases/{kb_id}?drop=true# 向知识库添加文档POST /knowledgebases/{kb_id}/files/{file_id}# 从知识库删除文档DELETE /knowledgebases/{kb_id}/files/{file_id}

上一节点击 “确实” 后实际上调用的就是 “向知识库添加文档” 这个接口：

@knowledgebases_bp.route("/<string:knowledge_base_id>/files/<string:file_id>", methods=["POST"])def load_knowledge_with_file_id(knowledge_base_id: str, file_id: str):    manager = KnowledgeBaseManager()  data: Dict[str, Any] = cast(Dict[str, Any], request.json)  # 加载文档  result, message = manager.load_knowledge(    kb_id=knowledge_base_id,    file_id=file_id,    knowledge_config=KnowledgeBaseViewTransformer.deserialize_knowledge_config(      json.loads(data.get("config", "{}"))    ),  )  return make_response(data=result, message=message)

KnowledgeBaseManager 通过核心服务 KnowledgeBaseService 实现知识的管理。它采用单例模式，负责：

知识库的创建、管理和删除文件与知识库的映射关系管理知识的加载、检索和删除全局知识库和会话知识库的统一管理

知识库服务实现

KnowledgeStore 是一个抽象基类，定义了知识存储的标准接口：

class KnowledgeStore(ABC):  @abstractmethod  def load_document(self, file_path: str, config: Optional[KnowledgeConfig]) -> str:    """加载文档"""  @abstractmethod  def delete_document(self, chunk_ids: str) -> None:    """删除文档"""  @abstractmethod  def retrieve(self, query: str) -> List[KnowledgeChunk]:    """检索知识"""  @abstractmethod  def drop(self) -> None:    """删除整个知识库"""

Chat2Graph 通过 KnowledgeStoreFactory 工厂模式提供了两种实现：

class KnowledgeStoreFactory:  @classmethod  def get_or_create(cls, name: str) -> KnowledgeStore:    if SystemEnv.KNOWLEDGE_STORE_TYPE == KnowledgeStoreType.VECTOR:      return VectorKnowledgeStore(name)    elif SystemEnv.KNOWLEDGE_STORE_TYPE == KnowledgeStoreType.GRAPH:      return GraphKnowledgeStore(name)

有意思的是，这两种都是基于 DB-GPT 框架实现的：

向量知识库：使用 ChromaStore 定义向量存储，使用 EmbeddingAssembler 加载知识，使用 EmbeddingRetriever 检索知识；图知识库：使用 CommunitySummaryKnowledgeGraph 定义图存储，使用 EmbeddingAssembler 加载知识，使用图存储的 asimilar_search_with_scores() 方法检索知识；

实现都比较简单，这里就不赘述了。具体内容可参考 DB-GPT 的 RAG 文档：

docs.dbgpt.cn/docs/cookbo…docs.dbgpt.cn/docs/cookbo…

与推理机的集成

知识库服务与推理机系统紧密集成，在算子的执行过程中，会通过知识库服务获取相关知识，注入到推理上下文中：

task = Task(  job=job,  operator_config=self._config,  workflow_messages=merged_workflow_messages,  tools=rec_tools,  actions=rec_actions,  knowledge=self.get_knowledge(job), # 注入知识  insights=self.get_env_insights(),  lesson=lesson,  file_descriptors=file_descriptors,)result = await reasoner.infer(task=task)

推理机会将检索到的知识作为上下文信息，帮助大模型生成更准确、更符合领域知识的回答。

与记忆系统的关系

20 世纪 70 年代，管理学家 罗素・艾可夫（Russell L. Ackoff） 等人提出 DIKW 金字塔模型，它将人类对世界的认知过程拆解为四个层层递进的层级，清晰展现了原始素材如何转化为决策能力的逻辑链条。

数据（Data） 是未经处理的、客观存在的原始符号或事实，不包含任何上下文或意义，仅代表 “是什么”。它是认知的起点，没有价值判断，也无法直接指导决策。信息（Information） 是经过加工、赋予上下文和意义的数据，通过 “数据 + 背景” 的组合，回答 “这是什么意思”。它解决了数据的无意义性，让原始素材具备了初步价值。知识（Knowledge） 是信息之间建立关联、经过验证并可用于指导实践的结构化体系，它回答 “为什么会这样” 和 “如何应用”。知识源于对信息的归纳、总结和验证，是可复用的经验或规律。智慧（Wisdom） 是基于知识进行价值判断、权衡利弊后做出最优决策的能力，它回答 “这样做是否明智” 和 “如何实现长期目标”。智慧是认知的最高层级，需要结合价值观、伦理观和长期视角。

DIKW 模型是信息科学与知识管理领域的核心框架，如今已广泛应用于企业管理、信息技术、教育、科研等多个领域。

Chat2Graph 参考 DIKW 模型，设计了一个分层的记忆架构：

每一层和 DIKW 的对应关系如下：

注意，目前 Chat2Graph 的记忆系统功能还在建设中，文档中只是介绍了它的设计理念，我们在设计记忆系统时也可以参考之。

分层记忆系统引入了多级的知识抽象，包含三个关键能力：

知识精练（Knowledge Refinement）：原始知识经过逐级的处理、分析、抽象、压缩，形成更高层次的知识；知识下钻（Knowledge Drilling）：在使用高维知识的同时，还可以按需下钻低维知识，让推理上下文粗中有细；知识延拓（Knowledge Expansion）：同层级知识关联的构建和召回，通过特定方法丰富知识上下文；

不难看出，知识库服务可以视为记忆系统 L2 层（Lesson）的初步实现，主要存储领域知识和最佳实践。当前 Chat2Graph 只是初步地将 RAG 作为知识库的实现形式，未来随着分层记忆架构的完善，知识库将进一步整合到完整的记忆体系中，形成更加智能的知识管理和利用机制。

此外，除了知识库，环境也可以当做记忆的一部分。环境指的是智能体执行过程中可交互的外部空间，智能体可以通过工具操作感知环境变化，影响环境状态。Chat2Graph 还提出了一个有趣的观点：环境可以被视为当前时刻的外部记忆，而记忆则是历史时刻的环境快照。这种同质性使得环境可以无缝地融入分层记忆模型中，从技术实现角度来看，记忆系统、知识库和环境的架构可以统一。通过工具这座桥梁，打通记忆系统与环境状态，构建智能体的精神世界与外部环境的物理世界的映射关系，即世界知识模型。

小结

通过这篇文章，我们学习了 Chat2Graph 知识库服务的设计与实现，包括全局知识库与会话知识库的分离，基于 DB-GPT 的向量知识库和图知识库实现，以及与记忆系统的关系。知识库服务作为智能体系统的重要组成部分，为智能体提供了强大的知识管理和检索能力。同时，它也是更大的记忆系统的一部分，通过多层级记忆系统的设计，从记忆存储、信息评估、经验提取到洞察生成，记忆系统从原始数据逐步提炼到高层次的智慧洞察，为 Chat2Graph 提供持久化的学习和适应能力，提升系统的整体智能水平。

欢迎关注

如果这篇文章对您有所帮助，欢迎关注我的同名公众号：日习一技，每天学一点新技术。

我会每天花一个小时，记录下我学习的点点滴滴。内容包括但不限于：

某个产品的使用小窍门开源项目的实践和心得技术点的简单解读

目标是让大家用5分钟读完就能有所收获，不需要太费劲，但却可以轻松获取一些干货。不管你是技术新手还是老鸟，欢迎给我提建议，如果有想学习的技术，也欢迎交流！