[Ai Agent] 本地知识库检索运用
相关专栏：AI Agent实战
前言：
在前一篇文章[Ai Agent] 从零开始搭建第一个智能体-CSDN博客 中，我们已经初步掌握了如何创建一个简单的智能体。在本文中，我们会深入了解本地知识库的功能以及如何使用。
如果想跳过概念理解，可以直接看本文的（三、实战运用本地知识库），会有详细图文教学如何使用。
一、本地知识库是什么
假设这样一个场景：你做好了一个智能体客服，希望客服跟它交流时代替人工。但此时的商品是已售罄的，客服不知道，直接跟客户讲现在就可以下单。为了预防这种情况，我们就需要让智能体拥有我们为其专门添加的知识库，让它能像真正的人一样熟知各种应知晓的业务信息。
而这种知识库，就是一个系统化的信息存储库，包含各种知识、规则和数据，旨在支持智能体的决策和推理过程。它可以是结构化的（如数据库）或非结构化的（如文档和文本）。
为了更好的了解它，我们还需要引入一个新概念：RAG：在Ai Agent里必须知晓的概念。
二、了解RAG与它的运作原理
RAG（Retrieval-Augmented Generation）是一种结合了信息检索和自然语言生成的技术，旨在提高生成模型的性能和准确性。
简单讲，RAG就是先翻书（知识库），把找到的答案塞进脑子里，再开口回答。这样它的准确性就能大大提高。
RAG 模型把两件事串成一条流水线：
-
检索器——像图书馆管理员，根据你的问题去外部知识库（数据库、文档、网页都行）瞬间找出最相关的几段资料；
-
生成器——像会写作的学霸，把管理员递过来的资料连同问题一起塞进ai大模型，让模型按资料内容组织一段自然语言回复。
用户先提问→管理员找书→学霸用书里的信息写答案，于是回答既实时又准确，还能随书库更新而更新。
而管理员（检索器）+学霸（生成器）俩结合起来，就是RAG模型，共同完成整套对客户的回复逻辑。
三、实战运用本地知识库
（1）搭建一个本地知识库并运用
本文假设读者已知如何创建一个最基础的智能体
（如果不知道，建议先看我的上篇文章[Ai Agent] 从零开始搭建第一个智能体-CSDN博客 了解）
进到个人空间后，点击工作空间-资源库-之前的任意一个对话流
进来后，点击最下方的添加节点，再点击知识库检索。
（这里略提一下添加节点：节点里提供的，要么是已封装了功能，要么是等待你封装功能。简单讲就是专门赋能用）
出来后，把线头改成这样的顺序，即开始-检索-结束，再把原箭头去掉。
在右边这一栏，输入的变量值为空，我们为其设置变量值就是开始的USER_INPUT
点击+，再点击创建知识库 -- 为其添加知识库
这里就可以添加知识库了。这里假设为其添加个excel的知识库。填写相关信息后点击创建并导入。
在上传这里上传一个excel文件，笔者自己大概写一个如下的简单格式：
选择问题作为索引，权重更高识别率更好。其他默认，一直点击下一步
数据加载完成后，可以选择新增一行，这里再添加个第五行的相关信息。
全部完成后，即可退出。
这里上方就是我们新增的一个可用于配置的知识库。再回到下边这个对话流接着进行我们的配置：
配置完成后，会有如下页面，先按默认设置就行。
大致讲解下：
搜索策略：
• 混合：同时用“语义 + 全文”两条路去找，先各跑一遍，再把结果合并。
• 语义：只用向量相似度（意思相近）。
• 全文：只用关键词字面匹配（字面对得上）。
最大召回数量：
• 不管用哪种策略，最多先拉回多少条候选文档，后面再精排。
最小匹配度：
• 低于这个分数（或相似度阈值）的结果直接丢弃，防止拉回一堆不相关的内容。
其他的相关设置自己大概了解下即可。
点击结束，变量名更改为outpur,变量值选中为output，回答内容为{{outpu}}
如上，我们点击试运行，问个相关我们知识库的问题：
没问题。初步成功，接下来把回复话语再优化下。
（2）优化回复逻辑
看到这个json数据很多程序员可能就想上手了，但别急，啥代码都不用写，我们接着往下做：
看图：这里我们想把回复话语润色下，就再结束-知识库中间加一个功能：大模型
点击大模型，把标题改一下，再把输入里写入俩变量，
知识库返回的数据-命名为outpur，用户最初输入的问题-命名为question。
再把这两个地方填写完整。这里就是写各种大白话，让ai干事情，但还是需要区分下俩地方。
系统提示词：专用于给ai加设定，让它不要干一些乱七八糟的事，如下：
（此处设置的比较糙，如果涉及到具体业务肯定要加非常多的提示词，这里仅做简单演示）
你是一名客服助手，仅依据实时注入的知识表回答用户提问；禁止编造任何表外内容。回答时先匹配用户问题与知识表“问题”或“关键词”字段，完全匹配则直接输出对应“回答”，无匹配则回复“暂无相关信息，请联系人工客服。”回答须简洁，不超20字，不得解释。
用户提示词：用于把具体数据给大模型，如果你不把刚才我们设定的俩变量给到它，它没数据啥都干不了，如下：
用来回答的数据：{{output}}
用户的问题：{{question}}}
输出格式改为文本。
同时别忘了在结束那里也需要加入大模型的变量值：
试运行下：
没问题，运行成功。
（3）加入在线文档
知识库里不仅我们本地添加，还可以添加一些在线网页的数据。下面做演示：
进到这个页面，实际上就是个爬虫了，爬取你想要的那个在线网页数据。先以简易为主，我们选择自动采集。我们这里以豆瓣电影top250为例：豆瓣电影 Top 250，一路下一步，再点击确认。
这里就可以看到各种引入的数据了。
再返回到我们刚才的对话流里的知识库检索，为其添加这个在线知识库：
，再点击试运行：
运行成功。
（4）加入图片
上面加入的知识库都是文字，我们这里再加入个图片的知识库检索。希望客服智能体回复的时候，附带上相关的图片。
新写布局如上所示，并改一下相关标题。
这里就是并行，文字与图片逻辑都会走，最终汇总到结束输出。
点进知识库检索-图片，配置好输入，再新建一个图片知识库：
选择你确定好的几个图片传上去
（注：这里记得不要手动改图片格式，你二次更改过的格式coze不认，这个我踩了坑）。
这里选择人工标注。此处图片不像刚才那些数据可以被ai分析比较准确，最好还是我们自己标注下。
如图，为其逐个标注所有相关信息。完成后回到我们的对话流继续。
现在再把刚才的图片知识库配置给知识库检索-图片：
再在大模型里略微调整一下，跟第一个大模型相似的做法：
最后在结束里加入新的图片展示的输出数据，一切完成后我们试运行下：
运行成功。
四、小结
通过本文的实战操作，我们不仅了解了本地知识库和 RAG（检索增强生成）的基本概念，更掌握了如何在 Coze 平台上实际运用它们。
本地知识库就像是给你的 AI 智能体配备了一本专属的“百科全书”，让它能够获取和利用你提供的特定信息，从而回答更专业、更精准的问题。它解决了大语言模型可能存在的“信息滞后”和“胡编乱造”问题，确保智能体输出的内容真实可靠。
RAG 模型的运作方式，即“检索器”加“生成器”的结合，完美地解释了智能体如何高效地利用这些知识：它先从知识库中精准地找到相关信息，再结合这些信息生成流畅、自然的回复。
此外，我们还学习了如何整合不同类型的知识源，包括：
-
本地文件：如 Excel 表格，用于结构化的数据问答。
-
在线网页：通过爬虫技术，让智能体实时获取网络上的公开信息。
-
图片：通过手动标注，让智能体能够理解并关联图片信息，在回复中展示相关图片。
总而言之，熟练运用本地知识库是构建一个更聪明、更实用、更值得信赖的 AI 智能体的关键一步。它使得智能体不仅拥有强大的语言能力，还具备了深厚的专业知识，能够真正成为你的得力助手。