3个案例，教你agent知识库文档科学分段

上一篇文章聊了Agent知识库的分段原理。说到底，要减少大模型“瞎编”的毛病，最直接的办法就是给它喂私有领域的文档，搭建一个专属的知识库。但这个事儿，比想象中要讲究得多。

大模型不是人类，它读文档的方式跟我们很不一样。它不是一口气把整篇文章看完、理解透，而是像个吃书的孩子，一小片一小片地“啃”下去。所以，如果这“一小片”切得不科学，模型的输出质量就会出问题。这就是为什么，分段的规则设计，直接决定了Agent回答的靠谱程度。

之前我们聊过《为什么Agent的知识库回答不准确》，今天咱们不讲理论，直接上干货。整理自文心智能体平台官方指导文档，用三个典型的案例，来看看不同场景下，到底该怎么选分段方法。

案例一：长文本内容——上下文理解才是王道

小说、电子书刊、长篇课文、公司简介、论文、专利文件……这类内容有一个共同特点：信息前后呼应，需要结合上下文才能准确把握语义。

契诃夫的短篇小说《装在套子里的人》（可自行搜索）

问智能体一个问题：别里科夫为什么没有结婚？

如果用系统默认的分段规则，模型的检索情况是这样（结果略）。智能体给出的回答可能不够精准，原因在于默认分段可能把关键情节切碎了。

对于这类长篇叙事文，推荐直接使用默认分段，关键在于调整参数：

• 最大段落字符数：
  设大一些。长文本段落本身就长，段落间常有承上启下的关系。字符数设大，才能把完整的语义装进一个段落里，模型理解起来才更准确。

• 段落重叠字符：
  按需填写。目的是让上下文之间的关键信息，尽可能出现在同一个检索片段里。

• 分段方式：
  默认分段符号基本覆盖了大多数情况。如果发现结果不合适，可以检查文档的自然分段符号（比如空行、章节标题），手动添加或选择特定的分段符号，系统会按符号优先级进行切割。

一句话：尽量让相同语义的文本留在同一段落。实在因为字符限制分不开的，就用重叠字符来搭桥，增加模型同时检索到前后段落的概率。

案例二：结构性内容——按“块”拆分，别把问答拆散

客服聊天记录、销售话术、一问一答的FAQ、文本格式的表格等。这类内容结构鲜明，模型需要理解“一个结构块”内的完整语义，而不是被拦腰截断。

文心智能体平台常见问答（详见文末附件2）

问智能体：文字类指令怎么写？

使用系统默认分段时，输出结果（略）——一目了然，原文中一个完整的一问一答，可能被切成两半，模型看到的只是半句话。

换成自定义分段后（方法见下文），输出质量明显提升（略）。再看检索结果：每一个“问-答”都被完整地保留在一个段落里。

建议使用自定义分段：

• 最大段落字符数：
  先统计原文中每个结构块的平均字符数。比如示例文件一问一答结构，平均340个字符，那就把最大字符数设为340。

• 段落重叠字符：
  既然每个结构块已经独立，段落之间不需要上下文关联理解，直接设为0。除非个别结构块因字符限制无法完整放入一个段落，才考虑增加重叠。

• 分段方式：
  原文结构鲜明，比如每个问答前都有“问：”、“答：”。这时可以把“问”字作为分段符号，并设置在该符号前进行分段。结果就是——每一组“问+答”都成为独立段落。

案例三：Excel数据类——别打扰数据，保持原始完整

具体的数据查询、数据统计类场景，比如一张电影票房表。行与行之间的数据，除了统计汇总，本身没有前后句的关联性。

2023年电影票房数据表（详见文末附件3）

两个测试问题：

• 统计分析场景：
  2023年1月22日上映了几部电影？模型输出（略），检索情况（略）。

• 非统计分析场景：
  《封神第一部》一共上映了多少场？模型输出（略），检索情况（略）。

自定义分段，核心目标是：

• 最大段落字符数：
  直接拉到最大限制512个字符。目的是每段能装下尽可能多的数据行，防止关键行被孤立。

• 段落重叠字符：
  设为0。因为数据行之间没有上下文关联，重叠只会浪费字符空间。

• 分段方式：
  表格数据直接按“换行”切割即可，一行就是一个独立记录。

模型限制知识库单次最多输出2000字符，那就要想办法把需要计算的数据压缩到1~3个段落中。如果数据量较大，建议上传的Excel表格不要超过2列，保证模型拿到的3个段落里，已包含统计所需的全部信息。

1. 表头是模型理解数据的关键，语义必须明确，别用生僻词或缩写。
2. 如果你的智能体或插件需要做统计分析，最好在提示指令里把计算步骤写清楚，模型输出结果会更准确。

常见问答

问：助手头像&名称怎么填？

答：头像需要与主题相关，而且越有吸引力，进来用的人就越多。助手名称应为十个字以内，要高度概括助手功能。

✅ 优秀示例：小红书文案创作、B站视频脚本创作、解梦大师、国画大师。

❌ 反面教材：令人心动的offer、灵感小助手（与功能无关，语义含糊）。

问：指令（prompt）是什么？

答：指令就是给AI大模型的任务提示，直接决定智能体的效果。指令可以说明对生成结果的要求，让模型生成更符合需求的内容。智能体的指令不会展示给用户。智能体专用占位符：$$@@$$。

问：文字类指令怎么写？

答：最简单的公式：

通用指令构成：

1. 上下文（Context）：任务背景。
2. 指令（Instruction）：具体任务。
3. 输入数据（Input Data）：用户输入内容。
4. 输出提示（Output Indicator）：规定输出内容（说清想要+不想要）。

Tips：

• 减少模糊表达，明确提出需求。
• 称谓代词统一，不要反复切换。
• 避免行业黑话。

✅ 优秀示例：

“你是一名资深导游。我的目的地以及预计游玩时间是$$@@$$，你需要根据我提供的目的地和时间，给我参观建议，制定旅行计划。计划必须有可行性，不能太紧凑，要考虑通行时间。”

❌ 反面教材：

“帮我写一份去x地的旅游攻略。”（太含糊，结果往往不实用）

问：图片类指令怎么写？

答：公式：

指令构成：

1. 任务（必须）：明确说明作画/生成图片，并有“：”。如：“画一幅画：”
2. 主题（最优先说明）：人物、动物、动作等。
3. 环境：场景、背景。
4. 灯光：光线类型。
5. 色彩：整体颜色。
6. 视角：俯视、特写等。
7. 风格：赛博朋克、浮世绘等。
8. 出图质量：4k、高细节等。

Tips：

• 主题为必填，其余可选。指令内容顺序影响权重，主题最先说明。
• 作图类指令不超过80字为佳。
• 若助手定位通用作图，不宜给过严限制。

✅ 优秀示例：

“画一幅画：女孩，森林，太阳光，全身照，明亮，写实图片，4k。”

❌ 反面教材：

“画一个森林里的女孩。”

（表格内容略）