# LPMM 关键参数调节指南（进阶版） > 本文是对 `config/bot_config.toml` 中 `[lpmm_knowledge]` 段的补充说明。 > 如果你只想使用默认配置，可以不改这些参数，脚本仍然可以正常工作。 所有与 LPMM 相关的参数，都集中在： ```toml [lpmm_knowledge] # lpmm知识库配置 enable = true lpmm_mode = "agent" ... ``` 下面按功能将常用参数分为三组介绍。 --- ## 一、检索相关参数（影响答案质量与风格） ```toml qa_relation_search_top_k = 10 # 关系检索TopK qa_relation_threshold = 0.5 # 关系阈值，相似度高于该值才认为“命中关系” qa_paragraph_search_top_k = 1000 # 段落检索TopK，越小可能影响召回 qa_paragraph_node_weight = 0.05 # 段落节点权重，在图检索&PPR中的权重 qa_ent_filter_top_k = 10 # 实体过滤TopK qa_ppr_damping = 0.8 # PPR阻尼系数 qa_res_top_k = 3 # 最终提供给问答模型的段落数 ``` - `qa_relation_search_top_k` 控制“最多考虑多少条关系向量候选”。 - 数值大：召回更全面，但略慢； - 数值小：更快，可能遗漏部分隐含关系。 - `qa_relation_threshold` 关系相似度的阈值： - 数值高：只信任非常相关的关系，系统更可能退化为纯段落向量检索； - 数值低：图结构影响更大，适合实体关系较丰富的场景。 - `qa_paragraph_search_top_k` 控制“最多考虑多少段落候选”。 - 太小：可能召回不全，导致答案缺失； - 太大：略微增加计算量，一般 1000 为安全默认。 - `qa_paragraph_node_weight` 文段节点在图检索中的权重： - 数值大：更依赖段落向量相似度（传统向量检索）； - 数值小：更依赖图结构和实体网络。 - `qa_ppr_damping` Personalized PageRank 的阻尼系数： - 通常保持在 0.8 左右即可； - 越接近 1：偏向长路径探索，结果更发散； - 略低：更集中在与问题直接相关的节点附近。 - `qa_res_top_k` LPMM 最终会把相关度最高的前 `qa_res_top_k` 条段落组合成“知识上下文”给问答模型。 - 太多：增加模型负担、阅读更多文字； - 太少：信息不够充分，一般 3–5 比较平衡。 > 调参建议： > - 优先在 `qa_relation_threshold`、`qa_paragraph_node_weight` 上做小幅调整； > - 每次调整后，用 `scripts/test_lpmm_retrieval.py` 跑一遍固定问题，感受回答变化。 --- ## 二、性能与硬件相关参数 ```toml embedding_dimension = 1024 # 嵌入向量维度,应与模型输出维度一致 max_embedding_workers = 12 # 嵌入/抽取并发线程数 embedding_chunk_size = 16 # 每批嵌入的条数 info_extraction_workers = 3 # 实体抽取同时执行线程数 enable_ppr = true # 是否启用PPR，低配机器可关闭 ppr_node_cap = 8000 # 图节点数超过该值时自动跳过PPR ppr_relation_cap = 50 # 命中关系数超过该值时自动跳过PPR ``` - `embedding_dimension` 必须与所选嵌入模型的输出维度一致（比如 768、1024 等）。**不要随意修改，除非你知道你在做什么！！！** - `max_embedding_workers` 决定导入/抽取阶段的并行线程数： - 机器配置好：可以适当调大，加快导入速度； - 机器配置弱：建议调低（如 2 或 4），避免 CPU 长时间 100%。 - `embedding_chunk_size` 每批发送给嵌入 API 的段落数量： - 数值大：请求次数少，但单次请求更“重”； - 数值小：请求次数多，但对网络和 API 的单次压力小。 - `info_extraction_workers` `scripts/info_extraction.py` 中实体抽取的并行线程数： - 使用 Pro/贵价模型时建议不要太大，避免并行费用过高； - 一般 2–4 就能取得较好平衡。 - `enable_ppr` 是否启用个性化 PageRank（PPR）图检索： - `true`：检索会结合向量+知识图，效果更好，但略慢； - `false`：只用向量检索，牺牲一定效果，性能更稳定。 - `ppr_node_cap` / `ppr_relation_cap` 安全阈值：当图节点数或命中关系数超过阈值时自动跳过 PPR，以避免“大图”导致卡顿。 > 调参建议： > - 若导入/检索阶段机器明显“顶不住”（>=1MB的大文本，且分配配置<4C），优先调低： > - `max_embedding_workers` > - `embedding_chunk_size` > - `info_extraction_workers` > - 或暂时将 `enable_ppr = false` （除非真的出现问题，否则不建议禁用此项，大幅影响检索效果） > - 调整后重新执行导入或检索，观察日志与系统资源占用。 --- ## 三、开启/关闭 LPMM 与模式说明 ```toml enable = true # 是否开启lpmm知识库 lpmm_mode = "agent" # 可选 classic / agent ``` - `enable` - `true`：LPMM 知识库启用，检索和问答会使用知识库； - `false`：LPMM 完全关闭，脚本仍可导入/删除数据，但对聊天问答不生效。 - `lpmm_mode` - `classic`：传统模式，仅使用 LPMM 知识库本身； - `agent`：与新的记忆系统联动，用于更复杂的记忆+知识混合场景。 > 修改 `enable` 或 `lpmm_mode` 后，需要重启主程序，让配置生效。 --- ## 四、推荐的调参流程 1. **保持默认配置，先跑一轮完整流程** - 导入 → `inspect_lpmm_global.py` → `test_lpmm_retrieval.py`； - 记录当前“答案风格”和“响应速度”。 2. **每次只调整一到两个参数** - 例如先调 `qa_relation_threshold`、`qa_paragraph_node_weight`； - 或在性能不佳时调整 `max_embedding_workers`、`enable_ppr`。 3. **调整后重复同一组测试问题** - 使用 `scripts/test_lpmm_retrieval.py`； - 对比不同配置下的答案，选择更符合需求的组合。 4. **出现“怎么调都不对”时** - 将 `[lpmm_knowledge]` 段恢复为仓库中的默认配置； - 重启主程序，即可回到“出厂设置”。 通过本指南中的参数调节，你可以在“检索质量”“响应速度”“系统资源占用”之间找到适合自己麦麦和机器的平衡点！