手把手教你零成本配置和使用 MrDoc AI知识库-寻找资源网

商城已上线，快去看看吧！

前几天觅思文档开源版 1.1.0 发布，带来了 AI 知识库功能。至此，AI 知识库正式成为觅思文档各版本共有的基础能力，开源版、专业版都能直接用。

鉴于很多朋友还不知道怎么使用这个 AI 知识库，下面就手把手教你怎么零成本、免费使用觅思文档的 AI 知识库。

MrDoc 的 AI 知识库不像很多市面上的 AI 知识库产品，需要单独上传文档、额外部署向量数据库、手动设定各种切片类型和切片规则。

文档本来就管理在 MrDoc 里，知识库天然就是你的文集——不用重复上传，也不用另建一套。

MrDoc 的 AI 知识库为绝大多数使用场景提供了通用配置，切片、向量化这些都由系统自动完成，你用起来只需要简单的三步：

配置模型
重建索引
开始使用

零成本指什么

先说清楚边界，避免误会。

这篇文章里的”零成本”，指的是 AI 模型的调用费用为 0——向量模型、重排模型、文本生成模型全部使用免费额度，不充一分钱。

它不包含这些：

- MrDoc 本身的部署成本（服务器你得自己准备）；
- 平台的免费策略随时可能调整。教程里给的模型清单是 2026 年 9 月核对的参考值，动手配置时以平台控制台实时标注为准。

边界交代完，进入正题。

MrDoc 内置了一套完整的 RAG 检索增强生成引擎，链路是：文档切片 → 向量化 → 向量检索 → 重排 → 大模型生成回答。

要把这条链路跑起来，需要三类模型：

模型类型	在链路里干什么	通俗理解
向量模型（Embedding）	把文档切片转成向量，检索时算相似度	AI 的”索引卡”，决定能不能找到相关内容
重排模型（Rerank）	对召回的候选结果二次排序	AI 的”复核员”，让最相关的内容排到前面
文本生成模型（LLM）	根据检索到的内容组织最终回答	AI 的”嘴”，负责把答案说出来

其中向量模型是刚需，没有它文档无法入索引；文本生成模型是刚需，没有它 AI 无话可说；重排模型是可选的，但对知识库问答的准确率提升明显，而且既然免费，建议顺手配上。

三类模型都可以从同一个地方白嫖：硅基流动（SiliconFlow）或模力方舟（Gitee AI），任选一家即可，不需要两家都注册。

准备工作：注册平台，拿到 API Key

先花五分钟注册并拿到密钥，后面配置就是复制粘贴的事。

方案 A：硅基流动（SiliconFlow）

打开官网 siliconflow.cn，用手机号注册并登录；
进入控制台（cloud.siliconflow.cn），在”API 密钥”页面创建一个密钥，复制保存好；
在”模型广场”里找到免费模型。向量和重排认准 BAAI/bge-m3、BAAI/bge-reranker-v2-m3 这两款（目前稳定在免费列表里）；文本生成选一个标记”免费”的即可。

需要注意：硅基流动的模型名称是带前缀的，比如 BAAI/bge-m3，配置时不要漏了前面的 BAAI/。

（图：硅基流动的模型列表）

方案 B：模力方舟（Gitee AI）

打开 moark.com，用 Gitee 账号登录（没有就先注册一个）；
进入 Serverless API 页面创建 API 令牌，复制保存好；
模力方舟的向量化和重排模型全部免费（这是平台明示的长期政策），bge-m3、bge-reranker-v2-m3、Qwen3-Embedding 系列都能直接用；文本生成也有免费模型可选，如 Qwen3-8B、GLM-4-9B 系列。

模力方舟的模型名不带前缀，直接填 bge-m3 就行，别画蛇添足加 BAAI/。

（图：模力方舟模型广场的免费向量 / 重排模型）

两家平台放一起对比：

配置项	硅基流动（SiliconFlow）	模力方舟（Gitee AI）
注册入口	siliconflow.cn	moark.com（Gitee 账号登录）
API 地址	`https://api.siliconflow.cn/v1`	`https://api.moark.com/v1`
向量模型	`BAAI/bge-m3`	`bge-m3`
重排模型	`BAAI/bge-reranker-v2-m3`	`bge-reranker-v2-m3`
文本生成模型	免费列表中任选（如 GLM-4-9B 系列）	免费列表中任选（如 Qwen3-8B）
模型名格式	带组织前缀（`BAAI/`、`Qwen/` 等）	不带前缀

两家的”免费”含义略有差别：硅基流动的免费模型有固定的速率限制，调用太频繁会收到 429 提示；模力方舟对向量/重排模型目前是”全部免费不限次”的姿态。个人使用、小团队内部问答，两家的免费额度都绰绰有余。

拿到密钥后，下面进入正题。

配置模型

（图：MrDoc 后台”AI 接入”页面）

点击”添加”，一条一条把三类模型配进去。每条记录要填的核心字段是这几个：

表单字段	填什么
供应商	下拉里选”硅基流动（SiliconFlow）”或”模力方舟（Gitee AI）”，MrDoc 内置了对这两家的调用支持
模型类型	文本生成 / 向量化 / 重排，三类各配一条
模型名称	按上面表格里对应平台的模型名填，注意前缀格式
API Key	粘贴刚才创建的密钥
基础 URL	`https://api.siliconflow.cn/v1` 或 `https://api.moark.com/v1`，以 `/v1` 结尾

所以一共添加三条记录，举个模力方舟的例子：

文本生成模型：供应商选”模力方舟（Gitee AI）”，模型类型选”文本生成”，模型名称填免费 LLM（如 Qwen3-8B）；
向量化模型：供应商相同，模型类型选”向量化”，模型名称填 bge-m3；
重排模型：供应商相同，模型类型选”重排”，模型名称填 bge-reranker-v2-m3。

三条记录共用同一个 API Key 和基础 URL。用硅基流动同理，只是模型名要加前缀、基础 URL 换成 https://api.siliconflow.cn/v1。

保存之后，可以顺手在 AI 配置页的”基础配置”里看一眼”向量存储方式“——默认使用”默认（数据库）”存储就能跑通，不需要额外部署任何组件。专业版用户也可以切换到 LanceDB：同样是内置的、不用额外部署的向量数据库，检索性能比默认的数据库存储更好。文档量非常大、对性能有非常高的要求时，再考虑接入 Qdrant——新手阶段直接跳过即可。

到这里，模型的”原料”就备齐了。但先别急着去问 AI——此时你文库里的老文档还没有被切分和向量化，AI 是”无米下锅”的状态。这就进入第 2 步。

重建索引

RAG 的前提是”先有索引”。MrDoc 会把参与索引的文档切分成片段（切片），再用向量模型把每个片段向量化存起来，问答时才能检索。

所以要做两件事：

1、确认 AI 索引范围

AI 索引的范围，对应后台”基础配置”里的”文集范围”：

开源版：全站文档参与索引，无需设置；
专业版：默认同样覆盖全站，也可以在”文集范围”中圈定参与 AI 问答的文集。

这一步相当于告诉 MrDoc”哪些内容允许被 AI 检索”。

2、重建存量文档的索引

刚接入 AI 时，文集中已有的老文档都还没有切片索引，需要重建一次。

在觅思文档项目代码根目录内执行索引重建命令：

python manage.py rebuild_ai_index --projects=all

--projects=all 表示按后台设置的 AI 索引范围重建（开源版即全站文档）。你也可以指定文集 ID 以重建指定文集内的文档索引，例如：python manage.py rebuild_ai_index --projects=1,2,3。

以 Docker 方式部署的用户，manage.py 在容器里，需要进入容器执行，例如：
docker exec -it mrdoc python manage.py rebuild_ai_index --projects=all
把命令里的 mrdoc 换成你的容器名或容器 ID。

执行 --projects=all 全量重建前，命令会先让你确认——看到”输入 YES 确认执行”的提示后，输入 YES 回车即可开始（这是防止误操作全量重建的保护设计）。

（图：在终端执行重建索引命令）

新建和更新的文档不用手动管：从启用 AI 功能和配置好向量模型那一刻起，你新建文档、编辑保存文档，MrDoc 都会实时更新 AI 切片索引，无需每次手动重建。

只有两种情况需要手动重建一次：

换了向量模型——想让全部存量文档按新模型重新向量化；
切换了向量存储方式（比如从默认存储切到 LanceDB）——旧索引存放在原存储里，新存储里是空的。

这一步做完，AI 的”底料”就备好了。可以进入最后一步。

开始使用

回到站点前端，找到 AI 对话入口（一般页面角落会有 AI 助手/聊天入口，直接访问 /ai/chat/ 也行）。

（图：前台 AI 对话入口）

在对话框里问一个只能从你自己文档里找到答案的问题——这是验证知识库有没有生效的最好办法。比如你文库里有篇《服务器部署手册》，就问他：”服务器部署前需要准备哪些环境？”

如果回答有鼻子有眼、还带上了你文档里的细节，说明链路通了：文档被检索到，模型基于检索内容生成了回答。

（图：AI 知识库问答效果示意）

这里有两个体验细节值得知道：

AI 继承文档权限：MrDoc 的 AI 问答只检索提问者有权限查看的文集内容，无权限的文档不会被 AI 泄露出去——这是把 AI 接入企业内部时最让人安心的一点；
回答质量取决于文档本身：如果问答效果不好，优先检查文档是不是结构清晰、要点完整，再考虑换更强的免费大模型。检索这一步做得好，免费小模型也能答得像模像样；检索乱七八糟，再大的模型也救不回来。