前言

在上一篇文章中，我们详细介绍了如何在小艺开放平台上创建和发布知识库。但知识库本身只是一个"资料仓库"，只有将其整合到智能体中，配置合适的检索策略，才能真正发挥知识库的价值。

知识库与智能体的关系可以类比为"参考书"与"学生"：参考书的内容再丰富，学生也需要知道如何查阅、理解什么内容、如何组织答案。本文就是要教会你的智能体如何"查阅参考书"来回答用户问题。

本文涵盖知识库在智能体中的绑定配置、检索参数调优、查询改写机制、无召回处理策略，以及在角色指令中引用知识库的高级用法。

知识库在智能体中的作用

三大核心价值

知识库问答的基本流程

用户提问 ↓ 智能体接收问题 ↓ 知识库检索 → 匹配相关段落 ↓ 大模型基于检索结果生成回答 ↓ 返回带引用的答案给用户

图1：知识库问答的完整检索流程，包含阈值过滤和段落匹配

在智能体中添加知识库

操作步骤

1. 进入智能体的编排页面
2. 找到“知识库”配置区域
3. 点击“添加”按钮
4. 在弹出的对话框中，选择已创建的知识库
5. 点击“确认添加”完成绑定

图2：在智能体编排页面的知识库配置区域添加知识库

一个智能体可以同时绑定多个知识库，知识库之间是并行检索的关系。系统会从所有已绑定的知识库中检索相关内容，合并后交给大模型生成答案。

多个知识库的管理策略

当绑定了多个知识库时，需要注意以下事项：

1. 知识库内容应尽量不重叠 例如：一个知识库存放产品文档，另一个存放常见问题 2. 检索范围无优先级区分 系统会从所有绑定的知识库平等地检索内容 3. 合理控制总数据量 过多数据可能影响检索效率

知识库检索配置详解

在智能体的知识库设置中，有三个关键参数直接影响检索效果。

检索文本相关阈值

定义：设置检索召回知识库段落的相关系数，范围0~1。

工作原理：

# 检索阈值的工作原理示意defsearch_with_threshold(query:str,threshold:float)->list:""" 根据阈值筛选检索结果 Args: query: 用户查询 threshold: 相似度阈值 (0~1) Returns: 大于等于阈值的匹配段落 """# 1. 对查询进行向量化query_vector=embed_query(query)# 2. 在知识库中搜索相似段落all_segments=search_similar(query_vector)# 3. 根据阈值过滤filtered=[segforseginall_segmentsifseg.similarity_score>=threshold]returnfiltered

阈值选择建议：

系数设置越高，返回给大模型的内容片段完整度和相关度越高，大模型生成的回复准确性也就越高。
系数设置越低，返回给大模型的内容片段完整度和相关度越低，准确性和可用性也就越低。

最大召回分段数

定义：召回并输入给大模型的最大分段数，范围0~20。

配置建议：

数值越大，返回给大模型的内容片段越多，但可能引入噪声；数值越少，内容越精准，但可能遗漏相关信息。

最大召回Token数

定义：召回并输入给大模型的最大token数，范围0~999999。

配置建议：

- 简单问答场景：1000~3000 tokens - 综合知识问答：3000~8000 tokens - 复杂分析场景：8000~20000 tokens 注意：token数不宜过大，否则会： 1. 增加大模型的处理时间和成本 2. 引入过多无关信息，影响回答质量 3. 可能超过大模型的上下文窗口限制

参数配置示例

{"knowledge_base_config":{"retrieval_threshold":0.65,"max_segments":5,"max_tokens":5000,"query_rewrite":true}}

查询改写机制

为什么需要查询改写

在多轮对话中，用户的问题通常依赖于上下文语境，仅凭用户最新一条提问可能无法准确识别其真实检索意图。例如：

问题1：知识库检索节点可以用来做什么？ 回复1：知识库检索节点可以基于用户输入查询指定的知识库... 问题2：怎么用？

对于问题2，如果脱离上下文，系统无法判断用户指的是"知识库检索节点怎么用"。查询改写正是为了解决这个问题。

查询改写的工作原理

原始用户输入： "怎么用？" ↓ 结合对话历史上下文 ↓ 改写后输入： "知识库检索节点怎么用？" ↓ 执行知识库检索

查询改写的配置

在知识库设置中，知识库检索节点默认开启查询改写。你无需额外配置即可享受查询改写的效果。

# 查询改写的逻辑示意defquery_rewrite(original_query:str,conversation_history:list)->str:""" 基于对话历史改写用户查询 Args: original_query: 用户当前输入 conversation_history: 对话历史列表 Returns: 改写后的完整查询 """# 结合上下文构建完整查询意图context=extract_context(conversation_history)rewritten=llm_rewrite(original_query,context)returnrewritten

查询改写的最佳实践

• 默认开启：绝大多数场景下建议保持开启
• 长对话场景：查询改写效果更明显
• 问题切换场景：当用户切换到新话题时，改写能自动适应
• 关闭场景：如果每次查询完全独立，不需要历史上下文，可以关闭

无召回回复配置

当知识库中没有匹配到相关内容时，需要给用户一个合理的回应。

配置方式

知识库支持两种无召回回复模式：

自定义回复配置示例

# 知识库无召回回复配置no_recall_response:type:custom# 或 defaultmessage:"抱歉，我没有找到关于这个问题的信息。请尝试换个方式提问，或联系我们的技术支持团队。"

自定义回复可以包含公司名称、联系方式等信息，让用户体验更加友好。

在角色指令中引用知识库

除了自动检索外，你还可以在智能体的角色指令中显式引用知识库内容。

引用语法

在角色指令中，你可以使用特定语法来指导智能体如何利用知识库：

## 角色指令示例 你是一个产品技术支持专家。在回答用户问题时，请遵循以下规则： 1. 当用户询问产品功能时，优先参考知识库中的产品文档 2. 如果知识库中有明确的答案，直接引用并注明来源 3. 如果知识库中没有相关信息，告知用户并尝试提供通用建议 4. 不确定的内容不要编造，坦诚说明不确定性

知识库引用指南

## 知识库使用规则 - 知识库是唯一的权威信息来源 - 回答中应体现知识库中的具体内容 - 当知识库内容与大模型知识冲突时，以知识库为准 - 可引用知识库中的特定章节或段落

知识库问答效果测试

测试方法

配置完成后，建议通过以下方式测试知识库的效果：

1. 在编排页面直接对话测试

   • 在智能体编排页面的调试与预览区域发送问题
   • 观察回答是否基于知识库内容

2. 对比测试

   • 分别测试"开启知识库"和"关闭知识库"的回答差异

3. 边界测试

   • 测试知识库覆盖范围内的问题
   • 测试知识库未覆盖的问题（观察无召回回复）
   • 测试模糊含义的问题（观察查询改写效果）

测试用例清单

# 知识库测试用例test_cases=[# 1. 知识库覆盖范围内的问题{"query":"产品的保修期是多久？","expected":"基于知识库回答"},# 2. 需要多轮上下文的问题{"query":"那过期了怎么办？","expected":"基于上文+知识库综合回答"},# 3. 知识库未覆盖的问题{"query":"你们的竞争对手产品怎么样？","expected":"无召回回复"},# 4. 模糊查询{"query":"怎么弄？","expected":"查询改写后检索"},]

调试技巧

如果发现知识库回答不符合预期，可以从以下角度排查：

# 知识库调试检查清单# 1. 检查知识库状态知识库是否已发布？ → 确认状态为"已上架"# 2. 检查绑定关系智能体是否已绑定知识库？ → 确认知识库在智能体配置中# 3. 检查检索参数阈值是否过高导致没有召回？ → 尝试降低阈值 分段数是否太少？ → 增加最大召回分段数# 4. 检查查询改写是否开启了查询改写？ → 确认配置 对话历史是否正确传递？ → 检查会话上下文

知识库使用最佳实践

检索配置优化策略

# 推荐的检索配置策略# 策略一：高精度模式（适用于法规、合同等场景）strategy_high_precision:threshold:0.8max_segments:3max_tokens:2000rewrite:true# 策略二：平衡模式（适用于通用问答）strategy_balanced:threshold:0.65max_segments:5max_tokens:5000rewrite:true# 策略三：高召回模式（适用于探索性问答）strategy_high_recall:threshold:0.45max_segments:10max_tokens:10000rewrite:true

多知识库场景建议

1. 按主题拆分知识库

   • 产品知识库、技术文档库、FAQ库等
   • 便于管理和更新

2. 控制单个知识库大小

   • 推荐单个知识库文件不超过50个
   • 过大的知识库影响检索效率

3. 定期更新知识库

   • 设置更新周期（建议每月审查一次）
   • 及时淘汰过时的内容

常见问题排查

Q: 为什么知识库没有返回结果？

A: 可能的原因：阈值设置过高、知识库内容与查询不匹配、知识库尚未发布、绑定关系未生效。

Q: 为什么回答不够准确？

A: 尝试降低阈值以召回更多段落，或增加最大召回分段数。同时检查知识库文档的质量和覆盖范围。

Q: 多轮对话中知识库检索不准确怎么办？

A: 确认查询改写功能已开启。如果关闭了查询改写，在多轮对话中用户的简短提问可能无法被准确理解。

总结

本文详细介绍了在智能体中使用知识库的各项配置和优化策略：

1. 添加知识库：绑定多个知识库到智能体的操作步骤
2. 检索配置：文本相关阈值、最大召回分段数、最大召回Token数的调优方法
3. 查询改写：多轮对话中自动理解用户意图的机制
4. 无召回处理：知识库未命中时如何优雅回应
5. 角色指令集成：在指令中明确知识库使用策略
6. 测试与调试：确保知识库问答效果的验证方法

知识库的威力不仅在于创建，更在于合理配置检索策略，使其与智能体的角色定位、业务场景完美匹配。掌握这些配置技巧，你的智能体将能够更精准、更可靠地回答用户问题。

如果这篇文章对你有帮助，欢迎点赞👍、收藏⭐、关注🔔，你的支持是我持续创作的动力！

相关资源：

• 小艺开放平台 - 开发者控制台
• 知识库开发指南 - 官方文档
• 在智能体中添加知识库 - 官方文档
• 智能体编排指南 - 官方文档
• 华为开发者联盟 - 文档中心
• 小艺开放平台 - 知识库配置说明
• 《生成式人工智能服务管理暂行办法》
• 华为开发者联盟 - 管理控制台