想要快速上手AI智能体？详解如何用扣子创建知识库打造专属问答助手

很多人第一次做 AI 智能体，直接在人设提示词里塞进几万字的产品说明或者员工手册。结果测试时发现，模型不仅记不住后面的内容，还经常把第三章的规则套到第一章的问题上，甚至开始胡编乱造。

大语言模型的上下文窗口虽然越来越大，但直接在提示词里塞海量文本有三个弊端：单次对话消耗的 Token 数量极大、模型响应延迟明显变长、对具体段落的提取准确率显著下降。

要解决这个问题，规范的做法是接入知识库，也就是 RAG（检索增强生成）架构。这套机制的逻辑很简单：先把你准备的资料切成小片段存进数据库；当用户发来提问时，系统先去数据库里找出最相关的几个片段，最后把这几个片段与用户的问题一起交给大模型，让模型根据参考资料生成准确答案。

在扣子（Coze）平台上，这套技术被封装成了可视化组件。你不需要自己写代码，也不需要单独购买向量数据库，准备好文档后跟着步骤点选配置，就能跑通一个专属的问答助手。下面按照实际搭建流程，分步骤拆解具体怎么做。

第一步：清洗并整理原始文件

知识库问答效果不好，八成以上的原因出在原始文件格式混乱上。如果直接把排版复杂的 PDF、带有多层合并单元格的 Excel 或者扫描版图片扔进知识库，切分出来的文本片段往往支离破碎。

要想后续检索精准，必须先做数据清洗。这样做更好，因为干净的结构能让大模型在向量化匹配时准确捕捉语义。

1.优先使用 Markdown 或纯文本（TXT）：把 Word 或 PDF 转换为 Markdown 格式。二级标题用 `##`，三级标题用 `###`。层级明确的标题能保留文档的上下文归属。

2.拆解表格数据：如果文档里有复杂的业务对照表，建议转换成“键值对”或逐条陈述的文本。比如将“型号 A | 售价 100 | 库存 20”改成“型号 A 的官方售价为 100 元，当前库存为 20 件”。纯文字描述在向量检索时的召回率通常高于原生表格。

3.补充主语与代词：原始文档里经常出现“该产品”、“它支持”、“本条款”这类指代不明的词。把这些代词全部替换为具体的产品名称或业务名称，防止切片之后丢失主语。

第二步：在扣子中创建知识库并配置切分规则

进入扣子工作空间，点击左侧导航栏的“知识库”，选择“创建知识库”。扣子支持文本知识库、表格知识库和图片知识库，做常规问答助手选文本知识库即可。

上传文档后，扣子会要求你选择分段策略。很多人直接一路点“下一步”使用默认的自动切分，结果检索效果大打折扣。不同切分策略的适用场景如下：

分段策略	处理逻辑	适用场景	优势与短板	核心推荐配置
自动切分	系统根据固定字符长度和标点符号自动截断	通用长文章、故事类背景资料、新闻资讯	优势：零操作门槛。短板：容易切断完整的段落或表格。	切片大小建议保持默认，适合内容松散的文本
自定义分段	用户指定分段标识符（如换行符、自定义符号）和最大字符数	结构化良好的 Markdown 文档、业务操作手册、条款合同	优势：语义边界清晰，上下文完整。短板：需要提前规范整理源文件。	分段标识符设为 `nn` 或 `###`；最大分段长度设为 600-800 字符；分段重叠设为 10-15%
问答对切分（QA）	系统或用户将文本重构为“问：… 答：…”的形式	售后客服 FAQ、高频业务问题库	优势：与用户真实提问意图高度对齐，匹配率极高。短板：前期整理工作量大。	单条问答集中在一个业务点，问题表述尽量贴近用户口语

先做文档结构整理，然后选择自定义分段，设置分段标识符为双换行或特定层级标题，这样能帮你更快获得语义完整的内容切片。同时，必须勾选 10% 到 15% 的分段重叠度（Overlap）。重叠度能保证前一段的句尾和后一段的句首有部分文字重复，避免核心事实刚好被切断在两个切片之间导致漏检。

上传并切分完成后，先别急着退出。在切片列表里人工抽检 5 到 10 个切片，确认没有乱码、断句异常或主语丢失的情况。

第三步：配置检索策略与召回参数

把切分好的内容转成向量之后，系统怎么把它们找出来是第二个关键环节。在扣子的检索设置里，核心需要决定检索方式与召回阈值。

扣子提供了三种主要的检索方式，各有不同的技术取向：

检索方式	匹配机制	最佳适用场景	局限性
语义检索（向量检索）	将文字转为数学向量，计算问题与切片之间的语义相似度	用户提问口语化、同义词替换频繁、概念性咨询	对精确的型号代码、数字、专有名词容易出现误判
全文检索（关键词检索）	基于 BM25 等传统算法进行精确的字符匹配	零件编号、产品具体型号（如 12s1w1s2）、法律法规条号	无法识别意思相同但文字不同的表述
混合检索（推荐）	同时运行语义检索和全文检索，再进行加权排序汇总	包含大量专业术语与日常咨询的综合问答场景	消耗检索计算资源稍多，但结果稳定性最好

在具体参数调优上，要重点调整这几个设置：

1.检索方式选择混合检索：日常对话中用户既会用大白话提问，也会提及具体的产品型号。混合检索结合了两者的优点，能大幅减少查空的问题。

2.设置最大召回分段数（Top K）为 3 到 5 条：召回片段不是越多越好。Top K 设得过高会导致上下文塞满无关噪音，诱发模型注意力分散；设得过低则可能遗漏重要补充信息。对于普通问答助手，召回 3 到 4 条切片是平衡信息量与响应速度的最佳区间。

3.设置匹配度阈值（Score Threshold）在 0.5 到 0.6 之间：如果阈值设得太低（比如 0.2），系统即使搜到完全不沾边的内容也会强行送给大模型，导致答非所问；如果设得太高（比如 0.85 以上），稍微有表述偏差就会搜不到内容。

4.开启查询改写（Query Rewrite）：当用户在多轮对话中发出追问（例如第一轮问“怎么退货？”，第二轮问“那运费谁出？”），开启查询改写后，系统会自动把第二轮问题补充为“退货的运费谁出？”，这样去检索知识库才能命中目标段落。

第四步：挂载知识库并编排智能体

知识库配置好后，回到扣子的“智能体”创建页面，点击“创建智能体”。

1.添加知识库：在中间的编排面板里找到“知识”模块，点击加号，把你刚建好的知识库添加进来。

2.选择调用方式：扣子提供“自动调用”和“按需调用”。如果你的智能体只用于该垂直领域的知识库问答，直接选择自动调用。自动调用会在用户每次发消息时都先去知识库里检索匹配，响应更稳定；如果智能体还要兼顾闲聊、调用其他插件，才选择按需调用。

3.编写系统提示词（Prompt）：知识库并不是挂上去就万事大吉，大模型的输出风格完全取决于你的提示词约束。

写知识库问答助手的提示词，最关键的是限定回答依据并严控事实边界。以下是一套经过实测验证的提示词框架：

# 角色
你是一名专业的业务支持顾问，负责根据提供的知识库内容，准确回答用户的问题。

# 原则与规则
1. 你的所有回答必须严格基于知识库中召回的内容，禁止脱离资料进行主观臆测或事实编造。
2. 如果知识库中没有包含回答用户问题所需的信息，请直接回复：“抱歉，当前的知识库中未包含相关信息，我无法为您准确解答”，不要尝试推测或给出无关答案。
3. 回答时保持语气客观、简洁，直接给出结论，然后分点陈述支撑细节。
4. 遇到用户询问产品参数、价格或流程时，直接引用资料中的具体数字和步骤，不得自行更改。

在这套提示词约束下，模型遇到知识库没有收录的问题会明确承认不知道，避免产生事实性虚假回复。