创建搜索索引配置
学习目标
完成本单元后，您将能够：
- 描述 Data 360 中的搜索索引配置与落地训练的工作原理。
- 创建向量搜索索引配置。
备注
用中文（简体）学习？在中文（简体）Trailhead Playground 中开始挑战，用括号中提供的译文完成挑战。仅复制并粘贴英文值，因为挑战验证基于英文数据。如果在中文（简体）组织中没有成功通过挑战，我们建议您 (1) 将区域设置切换为美国，(2) 按此处说明将语言切换为英文，(3) 再次单击“检查挑战”按钮。
查看 Trailhead 本地化语言徽章详细了解如何利用 Trailhead 译文。
截至 2025 年 10 月 14 日，Data Cloud 已更名为 Data 360。在此过渡期间，您可能仍会在我们的应用程序和文档中看到对 Data Cloud 的引用。虽然新改了名称，但功能和内容保持不变。
使用搜索索引配置对基于非结构化数据的搜索进行落地训练
通过对基于非结构化与结构化数据的搜索进行落地训练，可增强您在 Salesforce Platform 上对生成式 AI、分析与自动化工具的运用。经过落地训练的搜索能够将特定于客户的数据导入 Agentforce、Tableau 和 Flow Builder等应用程序，确保您能根据用户意图和上下文对输出进行微调。这些调整将为您的团队和客户提供更准确和更相关的 AI 生成的内容、更深入的分析见解以及更高效的自动化工作流程。
要进行搜索落地训练，您需要将非结构化数据拆分为语义恰当的区块，并基于这些区块创建向量嵌入，即分块数据的数字表示。分块内容存储在 Data 360 搜索索引中，可在 Einstein 生成式 AI 应用程序（提示生成器与 Agentforce）、自动化应用程序 (Flow Builder) 以及分析应用程序 (Tableau) 中进行搜索与使用。
区块非结构化数据
在上一单元中，我们介绍了 Data 360 如何通过非结构化数据模型对象 (UDMO) 引用非结构化数据。此外，您也可以对 UDMO 或任何包含文本字段的 DMO（例如 Salesforce Knowledge 文章）进行分块。这正是您将在本单元中执行的操作。
当您对 UDMO 或 DMO 进行分块时，会将其拆分为易于管理、语义上有意义的区块。这些文本单元以区块数据模型对象 (CDMO) 的形式存储在 Data 360 中，CDMO 是根据数据模型对象或非结构化数据模型对象创建的。
了解分块的工作方式
Data 360 支持多种分块策略。
基于语义的段落提取利用 HTML 标记中固有的语义含义，将文档分为段落。诸如标题 (<h1>, <h2>)、列表 (<ul>, <ol>) 或用作副标题的加粗文本 (<strong>) 等 HTML 元素，均被视为段落的逻辑边界。
基于窗口的段落提取策略则使用块级元素（如 <div> 和 <p> 标记）或由换行符分隔的原始文本，将文档分为段落。如果段落中不包含任何 HTML，则提取将在句子级别进行。
在 Salesforce 帮助中了解有关分块策略的更多信息。
现在，让我们来看看数据分块后会发生什么。
基于分块内容创建向量嵌入
在 Data 360 将内容分块后，会创建向量嵌入，即分块内容的数字表示，可在 Salesforce 生成式 AI、自动化或分析应用程序中检索或使用。
向量嵌入是文本的数字表示，用于存储单词或短语之间的关系。嵌入能够捕获内容的语义含义，因此语义相近的内容区块具有相似的向量嵌入。这种表示有助于机器有效地处理和理解语言。
在 Data 360 中，向量嵌入由索引数据模型对象 (IDMO) 引用，我们将在本单元后续部分进一步了解。
您可在 Salesforce 帮助中了解更多关于向量嵌入与分块内容的信息。
创建向量搜索索引配置
为使您的非结构化数据支持搜索，需要对其进行分块和向量化。为此，您可以创建搜索索引配置。搜索索引配置适用于任何带有包含信息性概念、叙述或详细描述的文本字段的数据对象，用户可搜索以查找相关结果。此类数据的示例包括 Salesforce Knowledge 文章或存储在 Amazon S3 等外部 blob 存储中的其他文本文档（例如聊天脚本）。
基于 Knowledge 文章创建向量搜索索引配置
在上一单元中，您已通过 Salesforce CRM 连接器中的 Knowledge 捆绑包创建了数据流和数据湖对象，其中提供了一些示例 Knowledge 文章。
Knowledge 文章版本对象对索引非常有用，因为您可以根据版本，使用此对象查询、检索或搜索各种类型的文章。Knowledge 文章版本对象包含以下应被索引以进行搜索的字段。
-
Name（名称）：Knowledge 文章的名称或标题
-
Description（描述）：从 Summary（摘要）映射的 Knowledge 文章的描述或摘要
-
Custom text fields（自定义文本字段）：任何包含非结构化数据的富文本字段（131K 限制）
为 Knowledge 文章版本 DMO 创建向量搜索索引配置
请在您的 Data 360 组织中完成以下步骤，以通过本单元末尾的挑战。
Advanced Setup（高级设置）可让您更好地控制分块与向量化选择，但在本次挑战中，您将主要使用默认配置。
- 如果还没有，请启动 Data Cloud Playground。
- 从 App Launcher（应用程序启动器）中，选择 Data Cloud。
- 单击 Search Index（搜索索引） ｜ New（新建）。
如果在 Data Cloud 导航中未看到 Search Index（搜索索引），单击 More（更多）下拉菜单，然后选择 Search Index（搜索索引）。
- 单击 Advanced Setup（高级设置） | Next（下一步）。
- 在 Select Source Object（选择源对象）页面中，选择 Vector Search（向量搜索）、Knowledge Article Version（Knowledge 文章版本）DMO，然后单击 Next（下一步）。
- 在 Select Fields to Chunk（选择要分块的字段）页面中，单击 Manage Fields（管理字段）。
- 单击 Select All Fields（选择所有字段），然后单击 Save（保存）。
- 保持默认分块策略不变，然后单击 Next（下一步）。
- 在 Select a Vectorization Strategy（选择向量化策略）页面中，保持默认向量化策略不变，然后单击 Next（下一步）。
- 在 Select Related Fields for Search Filtering（选择相关字段进行搜索筛选）页面中，不要添加任何字段，然后单击 Next（下一步）。
- 在 Search Index Configuration Details（搜索索引配置详细信息）页面中，将自动生成的 Search Index Configuration Name（搜索索引配置名称）替换为
My_kav。（Search Index Configuration API Name（搜索索引配置 API 名称）将自动填充）。
- 单击 Save（保存）。
就是这样！您的新建搜索索引配置 My_kav已列在 Search Index（搜索索引）选项卡下。
查看 Knowledge 文章版本 CDMO 和 IDMO
创建搜索索引配置后，其状态会先变为 Submitted（已提交），随后会在处理来自源 DMO/UDMO 的数据时更改为 In-progress（进行中）。如果没有失败，状态将从 Submitted（已提交）变为 In-progress（进行中），最终更改为 Ready（就绪）。只有当搜索索引状态变为 Ready（就绪）后，您才能在 Data Explorer（数据资源管理器）中查看任何记录。
Data 360 处理搜索索引中的数据可能需要几分钟，耗时因情况而异，您可以趁此时间喝杯饮料或活动片刻。当您返回后，单击 Refresh（刷新）并检查搜索索引状态是否为 Ready（就绪）。
Knowledge 文章中最有用的内容位于 Description（描述）字段中。示例文章的篇幅通常较小，因此仅包含一个区块。这意味着，Knowledge 文章版本 CDMO 和 IDMO 中的每条记录，分别对应一个区块和一个向量；但若内容较长，则每个 DMO 中可能会包含多条记录。
让我们快速查看为 Knowledge 文章版本 DMO 创建的 CDMO 和 IDMO。
- 确认搜索索引状态为 Ready（就绪）。
- 在 Data Cloud 中，单击 Data Explorer（数据资源管理器）。
- 从对象下拉菜单中，选择 Data Model Object（数据模型对象）。
- 在 Select an Object（选择对象）字段中，选择 My_kav 分块。
现在，您会看到 Data 360 从示例 Knowledge 文章中创建的所有区块列表。
- 在 Select an Object（选择对象）字段中，选择 My_kav 索引。
现在，您会看到 Data 360 从示例 Knowledge 文章中创建的所有向量记录列表。
您可以在整个 Salesforce 的 Flow Builder、Agentforce、提示生成器甚至 Tableau 等应用程序中使用该搜索索引中包含的 CDMO 和 IDMO。或参阅向量搜索文档，了解更多关于运行向量搜索查询的信息。
将非结构化数据连接到 Data 360 使您能基于大量数据对搜索结果进行落地训练，满足各种以客户为中心的用例。通过对数据进行分块和向量化，您可以在 Einstein 生成式 AI 应用程序、Flow Builder，甚至 Tableau 中使用向量搜索，提升 AI、分析和自动化功能。