进入“设置” -> “语言模型” -> “个人 API”，填写以下字段：
Base URL：模型服务的接口地址。Slicead 使用 OpenAI-compatible 调用方式；如果地址不以 /v1 结尾，普通 OpenAI-compatible 服务会自动拼接到 /v1/chat/completions。默认占位地址为 https://models.inference.ai.azure.com。API Key：模型服务提供的密钥。使用 GitHub Models 或 Azure Inference 时，这里填写对应 token；使用其他 OpenAI-compatible 服务时填写该服务的 API Key。模型：聊天模型名称。可以点击“刷新模型”从服务端拉取，也可以手动输入服务商给出的模型名。填写后建议点击“测试连接”。如果提示缺少 Base URL、API Key 或模型名，请逐项补齐；如果提示连接失败，通常需要检查网络、token 权限、服务商额度、模型名称和 Base URL 是否匹配。
常见填法如下：
Base URL 通常填 https://models.inference.ai.azure.com，API Key 填 GitHub token 或服务商提供的访问 token，模型填可用模型名。Base URL 填服务商给出的 API 根地址，例如 https://example.com/v1 或 https://example.com；API Key 填服务商控制台生成的 key；模型填该服务支持的模型名。Base URL 填代理暴露的 HTTP 地址，确保 Slicead 所在电脑能访问；API Key 按代理要求填写，没有鉴权时也建议在代理侧设置访问限制。不要把 Base URL 填到 API Key 里。设置页会对部分明显填错的情况给出提示。
“向量化书籍”是把书籍文本切成多个片段，再用 Embedding 模型把每个片段转换成一组数字向量，并保存到本地向量目录中。向量不是给人直接阅读的内容，而是给检索系统判断“语义相似度”的索引。
它的用途主要是：
扫描版 PDF 需要先 OCR。没有可提取文本时，向量化会提示“未提取到可向量化文本，请先执行 OCR”。
向量化模型通常也叫 Embedding 模型。它和普通聊天 LLM 的区别是：
两者经常配合使用：Embedding 模型先找资料，聊天 LLM 再基于资料组织回答。
进入“设置” -> “语言模型” -> “向量检索”，填写以下字段：
Embedding Base URL：Embedding 服务的接口地址。Slicead 使用 OpenAI-compatible embeddings 调用方式；普通服务会请求 /v1/embeddings，Azure Inference 类地址会请求 /embeddings。Embedding API Key：Embedding 服务的 API Key 或 token。它可以和聊天模型的 key 相同，也可以使用单独的 key，取决于服务商。Embedding 模型：Embedding 模型名，例如 text-embedding-3-large，也可以填写你的服务商提供的其他 embedding 模型。向量目录：本地保存向量索引的目录。建议放在空间充足、稳定同步策略明确的位置。检索 Top-K：每次检索返回的片段数量，默认 5。分片长度：每个文本片段的大致长度，默认 800。分片重叠：相邻片段保留的重叠长度，默认 120，用于减少切分造成的上下文断裂。Embedding 配置完整后，可在书架页右键书籍选择“开始向量化”。当模型或索引版本变化时，书籍可能显示“向量待重构”，此时右键选择“重构向量索引”即可。