LongCat AI不直接支持文档自动导入知识库，需通过其作为调度中枢，协同外部工具完成预处理、向量化、入库三步；再绑定至龙虾机器人知识源方可生效。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
LongCat AI 本身不直接提供“文档自动导入知识库”的一键功能，它更侧重于作为推理底座或智能体运行时，调用已有工具完成任务。真正实现本地文档到知识库的自动导入，需要结合 LongCat 系统能力与外部工具链协同完成——关键在于把文档预处理、向量化、入库三个环节串起来，并让 LongCat Agent 能调度执行。
明确角色分工：LongCat 不是文档搬运工，而是调度中枢
LongCat-2.0 或 LongCat-Flash-Chat 这类组件，本质是轻量级智能体运行时或推理底座，不内置文件扫描、PDF解析或向量入库逻辑。它擅长的是：接收自然语言指令 → 拆解为工具调用序列 → 执行 Python 脚本、调用 API、读写数据库。所以“自动导入”不是 LongCat 单独做的事，而是它驱动其他模块完成的事。
核心三步：预处理 + 向量化 + 入库（可被 LongCat 调度）
-
文档预处理：用 Python 工具（如
unstructured、pypdf、docx2python）批量提取本地文件文本。建议按目录结构保留元数据（如路径、修改时间、文件类型），这些信息后续能提升检索相关性。 -
向量化与切片：用嵌入模型（如
bge-m3或text2vec-large-chinese）将文本分块向量化。注意设置合理 chunk_size（512–1024 tokens）和 overlap（64–128 tokens），避免语义断裂。 - 写入向量数据库：将向量+元数据存入本地向量库（如 ChromaDB、Qdrant 或 Milvus）。确保数据库暴露 REST 或 Python 接口，LongCat Agent 才能通过 ToolCall 调用它。
让 LongCat Agent 承担调度任务
配置一个 LongCat-2.0 智能体，赋予它以下能力：
- 加载你写的 Python 工具函数（例如
scan_folder("/path/docs")、ingest_to_chroma(docs)）； - 绑定 kimi-k2.7-code 或 LongCat-2.0 自身的代码理解能力，让它能根据自然语言指令生成并执行调度脚本；
- 示例指令：“扫描 ~/mydocs 下所有 PDF 和 DOCX，提取文字，按 800 字符切片，用 bge-m3 向量化后存入本地 ChromaDB 的 ‘personal_kb’ 集合”——LongCat 会自动拆解步骤、调用对应函数、反馈进度。
绑定知识库至机器人后，才真正生效
完成上述导入后，还需在龙虾机器人后台显式绑定该向量库：
- 进入【机器人管理】→【我的机器人】→【配置】→【知识源】→【添加知识库】；
- 勾选刚建好的本地知识库（需提前注册为系统可识别的知识源名称）；
- 匹配权重设为 0.72，确保提问时优先参考你的文档而非通用语料；
- 保存后提示“知识源同步完成，下次对话生效”。
不复杂但容易忽略：自动导入只是第一步，真正让 AI “读懂你”，还得靠结构化元数据、一致的切片策略、以及持续更新机制——否则知识库很快又变回静态收藏夹。
