利用 coze + agent 落地企业级 AI 知识库方案

知识库的必要性

​ 不知道大家是否有这样的体验，在公司我个人偶尔会有一些发票需要报销，因为技术岗位的对外场景不多，所以使用走报销流程的场景也很少，可能一个月就一次，每次我进行报销，填写报销单上的信息的时候，比如当我手上拿着“运输服务*客运服务费”的时候，我心里都会很疑虑，报销单上填写交通费？还是运输服务费呢？

​ 每当这个时候，我都要去咨询我们的财务同学，我们的财务同学再告诉我，应该填写什么，但是问多了，都会有些尴尬，因为几乎每次报销可能都会出现一些填写上的错误，然后反复咨询，这对当事人、财务都是一种低效工作。

​ 假如存在这样一个知识库AI，我们将财务相关的流程知识交给它，后续我们不再需要去找财务，而是通过与AI对话就能了解该怎么做、报销单的范本、注意事项，让AI替代财务的审核报销单这件事，岂不是大大节省双方的工作量，提升工作效率？

​ 在以chatGPT为代表的大模型时代，搭建一个知识库AI不再是一个遥不可及的梦想，不需要写一行代码，人人都可以搭建出一个非常强大的知识库AI。

​ 在正式开始知识库AI的介绍之前，我想带大家一起回到20世纪50年代，一起看看早期人工智能知识库如何实现，有什么缺陷，以及为什么大模型可以实现真正的知识库AI。

一直以来的梦想

​ 人工智能学科早在其萌芽阶段，人工智能的大牛们就不断尝试让人工智能理解人类知识，并对人类的语言做出类似人类的反馈的超级梦想。

​ 而早期的实现方案比较原始，使用了通用问题解决器（General Problem Solver），也被称为专家系统的技术方案进行解决。

​ 专家系统本质上就是录入问题与答案，当用户问问题的时候，将匹配到的答案呈现给用户。

​ 大家想象一下5年前的车机系统，其语音功能只能针对一些特定意思的简单的短句做出反馈，稍微复杂一点，或者超出了车机知识的范畴，专家系统便无法正常工作，这样的反应，很显然距离真正的“人工智能“还差的远。

智障车机

​ 以开车场景下驾驶员对车机说“风有点大，帮我关闭窗户”作为例子，车机也许够做出适当的反馈，甚至你只需要说“风有点大”，车机就能明白驾驶员需要进行“关窗”这样的行为；

​ 但是我们想象一下，虽然车机做出了我们预期的反馈，但是车机其实并不懂得这句话的意思，也并不理解“冷”的含义；车机的理解更加像是文字与行为的匹配、关键字的匹配，进而完成相应的操作，比如冷 = 关窗户，至于文字究竟是什么意思，车机并不明白；

​ 如果我们想让这样的车机达到我们预期的“人工智能”，其背后我们则需要输入无数这样的文字与行为的匹配，让他按照字典的方式去对人类的行为进行反馈；

​ 即使这样的车机拥有海量的字典知识，让绝大部分人都无法第一时间感觉到“机械感”，但是稍微复杂的问题，即便会露馅，更别提类似人类的操作了，这远远不是我们期望的人工智能。

​ 而我们的大语言模型的天生对自然语言有这强大的理解能力，加之使用合适的技术手段，将知识库与AI进行融合，让AI像人类一样理解知识，做出合理的反馈，这已经不是遥不可及的梦想。

大语言模型实现的AI知识库

​ 既然我们要去实现知识库，我们便需要将公司内部的文档交给大语言模型，让大模型理解知识库的知识，这样才能发挥大语言模型的能力，实现让AI正确的读懂，我们上传的资料呢？

技术知识大家大致了解就好，实际搭建AI知识库并不涉及技术部分。

RAG

​ 在大语言模型时代，我们拥有了杀手级的工具来实现针对大语言模型的知识补充；

​ RAG，全称是Retrieval Augmented Generation，中文含义为检索增强生成。

​ 这个工具的实现流程是什么样呢？

1. 数据准备阶段

2. 1. 上传知识库
   2. 将文本按照期待的格式进行分割
   3. 使用一种称为embedding的技术将文字向量化，让AI理解我们的知识库
   4. 存储我们的向量数据

3. 提问+回答阶段

4. 1. 用户提问
   2. 理解用户的问题，并更具语义召回相关文字片段
   3. 大模型结合问题 + 答案进行理解，并回答用户的问题

使用coze中的Bot进行实现

我们使用国产的大模型 AI 应用开发平台，coze.cn进行实现，在知识库中文本中上传知识库，之后我们再询问一些知识库的问题，我们会发现AI已经了解了知识库并且正确的回答了问题。

​ 现在我们问的一些问题比较简单，我们也可以问一些更加复杂的问题，比如知识库不存在的知识，或者知识库存在的知识，但是需要思考总结的。

客观来说，回答的质量是中等的，但是知识库的回答也是符合我们的预期的，但是当你问Bot一些知识库之外的问题，你希望他不参考知识库中的内容，正常与你进行交流的时候，Bot就会显的没那么智能了

• 如果让Bot的回答效果更好？
• 如何让Bot支持不仅可以知识库问答，还可以正常的回答其他的事情呢？

想要实现以上效果，我们便需要通过agent智能体进行实现。

什么是agent智能体？

​ 简单来说就是当我们的任务、或者需求过于复杂，一个大语言模型已经无法完成的时候，我们便需要尝试拆分我们的需求，并进行流程编排，然后让多个大模型相互协同，帮助我们完成该任务。

​ 所以我们实现agent智能体的方式是：workflow工作流；

​ 关于agent智能体，我们会在后续出一篇专门的文章进行说明，大家这里可以简单理解为：多个大语言模型协同工作，我们称之为智能体。

使用agent进行实现更高级的AI知识库

既然我们可以使用多个AI进行知识库搭建，我们便可以拆解一下知识库AI的任务，再将需要思考的部分拆分到每一个的大模型。

任务拆解：

1. 接收用户的问题，紧接着就进行知识库的检索
2. 如果知识库检索到文字，则判定用户正在咨询知识库的内容，交给知识库回答的AI，结合知识+答案进行二次输出。
3. 如果知识库没有检索到文字，则判断用户当前没有咨询知识库的内容，由日常问答的大模型进行与用户的日常问答。

任务分配：

• 大模型A：负责根据用户的问题检索知识库中相关联的答案
• 大模型B：负责针对用户的问题+知识库中检索获得的答案进行思考，整理语言后重新输出
• 大模型C：负责知识库问答之外的闲聊任务。

具体流程：

最后我们再把整个流程给串起来

效果测试：

​ 工作流搭建完成后，我们将Bot与工作流进行关联

对比我们的第一版，其回答效果要更加全面，并且我们增加了一些大模型本身的见解，让阅读者可以更好的理解知识库的回答。

我们再试试问一些知识库无关的问题

可以发现，我们的agent正确的识别了我们问题的意图，进而进入了非知识库问答的路径之中，实现了我们预期的非知识库问答的功能。

​

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。