公司有大量内部文档（产品手册、流程文档、历史项目资料），每次找东西都要翻半天，想用AI知识库工具提升效率。
看到O-mega和Knolli两个产品都主打「智能知识库检索」，有没有真正在企业业务场景里用过的？想了解：
- 实际检索准确率怎样，能处理格式复杂的PDF吗？
- 上传量大的时候响应速度怎样？
- 两个哪个更适合中文文档场景？
1 个赞
在两家公司做过知识库建设，用过O-mega和Knolli，来做个对比。
检索准确率
O-mega：向量检索做得比较好，语义相似度匹配准确率高。能处理「用户问A，但文档里用B来表达」这类同义表达的情况。中文支持不错，但文档质量影响很大——扫描件PDF、格式混乱的Word准确率会下降很多。
Knolli：检索策略更保守，偏向关键词匹配，准确率稳定但召回率低一些。「问的问题文档里没有完全匹配的词」时容易漏掉相关内容。中文也支持，但比O-mega稍弱一点。
处理复杂PDF
O-mega处理带表格的PDF能力更强，表格内容能被正确解析进索引。Knolli对表格支持一般，有时候会把表格拆成乱序的文本片段。
大量文档时的响应速度
两个都支持分布式部署，上传量大时都需要等待索引时间（几百个文档大概1-2小时）。查询响应速度都在秒级，差距不大。
中文场景推荐
综合来看中文场景 O-mega 略优。但如果你的文档质量不高（扫描件多、格式乱），两个都会表现不好，建议先做一轮文档清洗再上传。
一个更灵活的方案
如果你愿意折腾一下，基于OpenClaw搭知识库也是个选择，可以自选向量模型、自选检索策略，更灵活，成本也更可控。门槛稍高，但可定制性比这两个强很多。
1 个赞
表格处理这个问题确实是痛点，我们公司大量文档都是Excel和带表格的PDF，之前用Knolli踩了坑，表格内容完全乱了。后来换了O-mega好多了，但还是不完美。
补充一个实际使用数据：我们用O-mega建了一个500+文档的知识库，日常检索大概200次/天，准确率我们自己评估大概在70-75%左右。听起来不高，但比员工自己翻文档的效率还是提升很多，关键是搜索时间从平均10分钟降到了30秒。
期望要调好：AI知识库不是「输入问题秒出完美答案」，而是「快速找到相关文档片段，让你继续阅读判断」。
Knolli的界面比O-mega好看很多，管理后台做得更友好。如果你的团队对工具颜值和易用性要求高，Knolli在这方面加分。功能上差一点，但够用。
价格补充一下：O-mega按文档数量+查询次数计费，文档多了成本不低。Knolli是按存储空间计费，文档数量多但查询少的场景反而便宜。根据你的使用模式选。
非常有价值的讨论！我们文档里表格不少，看来O-mega更合适。三楼说的准确率预期管理很重要，要跟老板提前说清楚，别让他们以为AI能替代人工审核。感谢各位！
本地跑就是显卡要好，3060起步吧
OpenClaw接ollama跑本地模型延迟低到离谱