知识库

AI评估对象分为大语言模型评估、知识库（RAG）评估、智能体（Agent）评估三层，且呈知识度和复杂度递增的递进关系

检索增强生成（RAG）的核心流程分为三步：将知识库文档切分并向量化存储、检索语义最相关片段、将片段作为上下文注入LLM提示词

扣子的编程功能允许用户构建智能体、设计工作流和编写完整项目

知识库搭建的关键实现要点包括文档预处理与向量化存储、检索策略优化（混合检索、重排序）、上下文管理与Token优化、隐私保护与数据安全

语义检索技术通过嵌入模型将Skill描述文本转化为高维向量存入向量数据库，通过余弦相似度等算法检索最匹配的技能

知识库的数据流水线周期性运行：脚本扫描指定来源，模型对原始文档分析提取转换，清洗后的知识进入向量存储，上层按需检索。

知识库为模型提供可靠上下文和高质量范例代码，沙箱提供隔离环境检查生成代码能否运行、是否通过单元测试。

在Coze中，插件是工作流中调用外部服务的接口，知识库用于为模型提供领域私有的检索增强信息。

课程第一部分拆解Agent的五大核心模块：提示词、工具调用、记忆与上下文管理、知识库、多Agent协同。

通过MCP协议暴露知识库可以实现知识更新与智能体逻辑解耦，代码变更后重新提炼即可，不必修改Agent。

小任务里硬上知识库可能纯属过度设计。

知识库的效果取决于文档切分是否合理、检索是否命中正确片段、模型是否忠实使用检索内容三个因素。

系统支持的知识库来源包括：网站爬取（sitemap）、PDF/DOCX/TXT/MD 文档、图片 OCR、手写 FAQ、团队内部仓库以及音频转录文本。

Coze的知识库面向非结构化文本，通过向量化检索进行语义匹配；数据库是结构化表存储，支持增删改查。

语言特定知识要求产品建议和描述与请求的语言及店铺视图相匹配，知识库应按语言维度组织而非简单共享一套内容。

AI 只在优质源材料上才能工作；没有经过审核的知识库，既得不到好的 AI，也得不到好的外包。

外包时知识库、例外处理、洞察这三样东西应永远留在内部。

被归咎于模型不行的错误回答，溯源后大多出在文档本身：版本过期、内容重复、多个文件互相冲突。

建议将关键设计决策从注释中抽离出来，放到独立的文档或知识库中，让 AI 通过更明确的检索路径找到它们。

知识库方案相比重新训练模型，不需要标注数据、不需要 GPU 算力，只需上传文档并配置检索策略，因此成本低、见效快。