为什么Agent的知识库回答不准确

知识库是智能体走向场景化应用的核心技能，这事儿已经没什么争议了。简单说，知识库就是用来增强智能体在特定专业领域内的知识储备和理解能力，让它能输出更精准、更专业的回答。你可以这样理解：大模型本身是通用的，而智能体让它真正落地到具体的行业场景中去；但要把这件事做扎实，让智能体真正好用，知识库就是最关键的那把钥匙。

大模型在和用户交互时，会先从知识库里检索出最相关的内容，再把这些内容融入生成结果。这样一来，模型的生成范围被有效限定在知识库提供的框架内，内容质量自然就上去了。

智能体的知识库在实际应用中，场景非常丰富，典型的包括这几类：

• 语料补充：
  比如你要做一个特定形象的聊天助手，可以在知识库里预先存入与该形象相关的语料。之后智能体通过向量召回最匹配的语料，模仿这个形象的语言风格来回答问题。

• 智能客服：
  把客户服务手册、产品说明书、用户高频问题库等文档上传到知识库，智能体就能通过学习、调用这些知识，精准回答用户的咨询，大幅减少人工介入。

• 垂直应用：
  针对某个具体的行业、企业或业务场景，构建专有的知识库。比如面向法律咨询的智能体，可以创建法律法规库、诉讼案例库，这样回答法律问题时权威性和精准度都会很高；又比如在企业内部构建流程、制度知识库，新员工通过问答就能快速掌握标准操作程序，而过去他们只能靠被动的培训和文档搜索来获取这些信息。再比如，国际上的四大会计师事务所，现在都在搭建自己的AI大模型，用于税务咨询、风险咨询等特定业务的快速报告生成。

所以你看，开发智能体，基本绕不开知识库这个话题。要打造一款真正好用的场景化智能体，建设一个高质量、高可靠性的知识库是基本功。

知识库文档不是一传了之

很多人以为，把文档传进知识库就完事了。但事实远非如此。

文档分段的目的，是把长文本切割成更短的段落，尽可能剔除检索内容中的无关信息，让模型更有效地处理和理解。举个例子，在扣子平台上开发一个智能体——“AI秒读标书”，配置了知识库后，上传的5个文档被自动切分为22个分段。文档用不同颜色块做了区分，蓝色和粉色代表两个分段。但你仔细看就会发现，两个分段交接处的内容被切到了不同的分段中。这种切割方式，很容易导致模型回复时信息丢失、回答不完整。

这也就是为什么——你搭建的问答知识库，明明文档中有答案，但模型回答的有时就是不够准确。

合理的分段直接影响回复效果。如果没有分段，或者分段太大，段落里会塞进太多不相关信息，降低检索准确性；如果分段太小，或者切分不合理，又会丢失必要的上下文信息，导致生成的回答缺乏连贯性或深度。当然，随着未来大模型进一步成熟，可能不再需要这么精细地做文档分段设定。但在当前的技术原理下，

知识库文档分段的3个关键参数

现在主流的智能体开发平台，比如扣子、文心、智谱等，都提供了知识库搭建功能。一般有系统自动分段和自定义分段两种设置方式。这里就以文心智能体开发平台为例，介绍文档分段需要研究的

。

最大分段字符

最大分段字符，简单说就是长文档被切割成小片段后，每个片段允许的最大字符数。在文心智能体的知识库里，这个数值可以在50到512之间灵活设置。

设置这个参数的原则，是要尽量确保片段内容的排布合理性。特别是一些数据类、公式类不可分割的内容，如果被分到了不同的片段里，对检索结果的影响会很大。下面这个正反对比的案例就很典型：

段落重叠字符

段落重叠字符，指的是每个新分段的开头，和前一个分段的末尾，最大可以重复的字符数。注意，这个重叠数必须小于最大段落字符数。

设置重叠的目的，是为了尽可能保留切割分段后的原语义，避免语句被生硬分割导致表达不完整。毕竟长文档谁也无法保证分段结果能丝滑如初。一定的重叠度，就能确保上下段落之间的关联性，帮助模型理解得更准确、更完整。下面这个案例，就展示了重叠度为0和设置一定重叠度的效果差异：

分段方式（分段符号识别）

分段方式是指长文本切割时依据的分段符号。你可以选择常用的分段符，也可以自定义输入任意符号。在切割文本时，系统会按照这些符号的排序来选择切割位置。下面这个案例展示了分段符号的具体设置：

当你了解了知识库的这些参数和机制后，甚至可以反过来优化你的知识库文档本身，从而获得更好的分段效果。这才是真正用好知识库的进阶之道。