确认重复文档需先检查文档列表中文件名、大小、页数是否高度相似，再比对document_id或计算向量余弦相似度≥0.915；删除时须勾选“同时清除对应向量索引”并重建索引。
☞☞☞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☜☜☜
当同一份PDF或Word文档被多次上传至火山引擎知识库，系统可能将其拆解为多套语义向量，导致问答时返回重复片段、答案冗余、召回率虚高甚至混淆原始出处。
确认是否真存在重复文档
进入「知识库管理 → 项目详情 → 文档列表」，按「上传时间」倒序排列，快速扫描文件名、大小、页数三项。若发现多个条目名称高度相似（如“2026Q3合规指引_v1.pdf”“2026Q3合规指引_v1_副本.pdf”“2026Q3合规指引(1).pdf”），且页数与最后修改时间几乎一致，大概率是重复入库。
点击任一可疑文档右侧的「查看元信息」，记录其 【document_id】 —— 这是火山引擎内部唯一标识，比文件名更可靠。打开浏览器开发者工具（F12），切换到 Network 标签页，再点另一份疑似重复文档的「查看元信息」，对比两个请求响应体中的 document_id 字段：完全相同即为同一份物理文件被多次索引；不同则需继续查向量层。
通过向量相似度识别语义级重复
方法一：使用知识库内置的「文档去重分析」功能（仅限企业版）
在知识库项目设置中开启「智能去重检测」开关，系统将自动对全量文档做嵌入向量两两比对，阈值默认设为0.92。等待约2–8分钟（取决于文档总Token量），生成「高相似文档对」报告，每对包含原始文件名、相似度分值、共现关键词片段。
方法二：调用火山引擎 OpenAPI 手动校验
准备一个 Python 环境，安装 volcengine SDK：pip install volcengine。使用 AccessKey 调用 DescribeDocumentEmbeddings 接口，分别获取两份文档的 embedding 向量（维度为1024），用 numpy 计算余弦相似度。若结果 ≥0.915，即可判定为语义重复——【该阈值低于0.915时，人工抽检误判率超37%】。
安全删除重复项的操作路径
第一步：登录火山引擎控制台，进入对应知识库项目。
第二步：在文档列表页，勾选所有确认重复的文档（注意：不要勾选原始权威版本，只勾选副本、重命名版、带日期后缀但内容未更新的版本）。
第三步：点击右上角「批量操作 → 删除」，弹窗中【必须勾选“同时清除对应向量索引”】，否则残留向量仍会参与召回。
第四步：输入二次确认验证码，点击「确定删除」。页面显示「删除成功」后，等待约90秒，刷新文档列表验证数量是否减少。
第五步：立即执行一次「知识库重建索引」（项目设置 → 索引管理 → 点击「重建」按钮）。这一步不可跳过——删除操作仅移除文档记录和向量，不自动触发底层倒排索引与向量图更新。
