知识库与工作流编排

学习目标：掌握知识库的搭建方法（文档上传、分块策略、检索方式），能用工作流实现"检索 → 处理 → 输出"的多步骤 Agent

预计时间：35 分钟

难度等级：⭐⭐⭐☆☆

---

一、为什么知识库是 Agent 的第二大脑

先说结论：没有知识库的 Agent，和 ChatGPT 没区别。

ChatGPT 之所以"什么都懂一点"，是因为它训练时"读过"大量通用数据。但你让它回答你们公司的产品细节、你们团队的内部规范——它只能瞎编。

知识库解决的就是这个问题：让 Agent 知道它原本不知道的事。

维度	没有知识库	有知识库
知识来源	模型训练数据（通用）	你的文档（专业）
回答准确性	大致正确，细节可能错	基于真实文档，准确性高
可控性	不知道它在说什么	能追溯答案来自哪个文档
更新	需要重新训练模型	上传新文档即可

---

二、上传文档构建知识库

2.1 支持的数据源

数据源	Coze 支持	Dify 支持	适合场景
PDF 文件	✅	✅	产品手册、研究报告
Word/TXT	✅	✅	公司制度、操作手册
Excel/CSV	✅	✅	产品数据、价格表
网页 URL	✅	✅	在线文档、博客文章
Notion	✅	✅	团队知识库
飞书文档	✅	❌	飞书生态团队
数据库	✅（MySQL）	✅（多种）	结构化数据查询
API	有限	✅	动态数据

2.2 Coze 知识库搭建实操

步骤：

1. 进入 Coze 工作空间 → 左侧菜单点击"知识库"
2. 点击"创建知识库"
3. 选择数据源类型（比如"文件"）
4. 上传文件或输入 URL
5. 配置分块策略（下一节详细讲）
6. 等待处理完成（1-5 分钟）
7. 在 Bot 配置页面关联这个知识库

文件准备建议

• 一个知识库的主题要聚焦。别把"公司制度"和"产品手册"塞同一个知识库。
• PDF 尽量用文字版（可以选中复制文字的），扫描件效果差。
• 单个文件控制在 20MB 以内，超过就拆分。

2.3 Dify 知识库搭建实操

步骤：

1. 左侧菜单点击"知识库" → "创建知识库"
2. 上传文件或选择数据源
3. Dify 会多一步：让你选择索引方式
   • 高质量模式：使用 Embedding 模型向量化，检索效果好，消耗 Token
   • 经济模式：使用关键词索引，检索效果一般，但不消耗 Token
4. 配置分块策略
5. 等待处理完成
6. 在工作流中添加"知识检索"节点，关联这个知识库

Dify 索引方式选择

99% 的场景选"高质量模式"。经济模式只适合对成本极其敏感且对检索质量要求不高的场景。

---

三、分块策略

3.1 为什么要分块？

LLM 有上下文长度限制。你不能把一整个 200 页的 PDF 塞给模型，所以要切成小块。

但分块不是简单地"按字数切"——切得太大会稀释信息，切得太小会丢失上下文。

3.2 分块方式对比

分块方式	原理	优点	缺点	适合场景
自动分块	平台自动按段落和语义切	省事	可能切在不合适的位置	大多数场景
按字数分块	固定每块 N 个字	可控	可能在句子中间断开	格式统一的文档
按段落分块	按换行符/标题切	保持语义完整	块大小不均匀	结构清晰的文档
按分隔符分块	按自定义标记切	最灵活	需要文档有统一格式	你能控制的文档格式
父子分块	检索用小块，回答用大块	检索精准+上下文完整	配置复杂	高质量要求的场景

3.3 分块大小建议

文档类型	推荐块大小	理由
FAQ / 问答对	200-300 字	每条就是一个完整的问答
产品手册	500-800 字	一个产品特性完整描述
长篇报告	800-1200 字	保留足够的上下文
代码文档	300-500 字	函数级别

实操建议

先用自动分块试试效果。如果发现检索结果不对，再手动调整。不要一开始就纠结分块策略。

---

四、检索方式

4.1 三种检索方式

检索方式	原理	优点	缺点
向量检索	把文本变成向量，算相似度	理解语义，"苹果手机"能匹配"iPhone"	可能遗漏精确关键词
全文检索	传统关键词匹配	精确匹配关键词	不理解同义词
混合检索	向量 + 全文结合	兼顾语义和精确	计算量更大

4.2 怎么选？

你的场景？
│
├─ 用户提问方式多样（同义词多）→ 向量检索
├─ 需要精确匹配（比如产品编号、型号）→ 全文检索
├─ 都想要 → 混合检索
└─ 不确定 → 先用混合检索，效果通常最好

4.3 检索参数调优

参数	作用	建议值
Top K	返回最相关的 K 个文档块	3-5（太多了 LLM 会困惑）
Score 阈值	相关性低于这个值的不要	0.5-0.7（太低会返回不相关内容）
重排序（Rerank）	对检索结果二次排序	开启（Dify 支持，效果提升明显）

---

五、多步工作流设计模式

工作流不是随意连几个节点。好的工作流有清晰的设计模式。

5.1 标准模式：输入 → 检索 → 处理 → 输出

这是最常用的模式，适合 90% 的知识库问答场景：

用户输入
   ↓
意图理解（LLM 节点）
   ↓
知识库检索（知识检索节点）
   ↓
答案生成（LLM 节点）
   ↓
输出回答

在 Coze 中的实现：

1. 在 Bot 中开启"工作流"模式
2. 创建一个工作流：输入节点 → 知识库检索节点 → LLM 总结节点 → 输出节点
3. 配置每个节点的变量传递

在 Dify 中的实现：

1. 创建"聊天助手"或"工作流"应用
2. 添加"知识检索"节点，关联知识库
3. 添加"LLM"节点，将检索结果作为上下文传入
4. 配置 System Prompt，要求基于检索结果回答

5.2 多路检索模式

当一个问题可能涉及多个知识库时：

用户输入
   ↓
意图分类（LLM）
   ↓
┌──────────┬──────────┐
│ 产品知识库 │ 售后知识库 │
└──────────┴──────────┘
   ↓           ↓
  结果1       结果2
   ↓           ↓
   └─────┬─────┘
         ↓
    LLM 合并回答
         ↓
      输出

5.3 带兜底的模式

当知识库可能没有答案时，加一个"兜底"处理：

用户输入
   ↓
知识库检索
   ↓
相关性检查（条件分支）
   ├── 相关性够高 → LLM 基于知识库回答
   └── 相关性不够 → LLM 用通用知识回答 + 提示"此回答不来自知识库"

花叔的建议

永远加兜底。 不加兜底的工作流，遇到知识库里没的内容就会翻车——要么编造答案，要么报错。好的 Agent 应该能优雅地说"我不知道"。

---

六、工作流调优技巧

6.1 五个常见问题与解法

问题	原因	解法
回答和知识库内容不符	检索到了不相关的块	提高相关性阈值，减少 Top K
回答太短/太笼统	Prompt 没要求详细回答	在 LLM 节点的 Prompt 里加"请详细回答，至少 200 字"
回答包含了多个文档的混搭	Top K 设太大	减少到 3，加 Rerank
每次回答不一致	Temperature 太高	调到 0.1-0.3
响应太慢	节点太多或模型太慢	用更快的模型（如 GPT-4o-mini），减少节点

6.2 调优流程

1. 用 10 个测试问题跑一遍
2. 记录每个问题的回答质量（好/一般/差）
3. 针对回答"差"的问题：
   a. 检查检索结果是否相关 → 不相关就调分块/检索参数
   b. 检索结果相关但回答差 → 调 Prompt
4. 重复 1-3，直到 80% 以上的测试问题回答满意

别追求 100% 完美。 知识库问答达到 80-85% 的准确率就算不错了。剩下的 15-20% 通过 Prompt 优化和兜底逻辑来兜住。

---

七、本节小结

回顾要点

✅ 知识库是 Agent 的"第二大脑"——没有它，Agent 和通用聊天机器人没区别

✅ 分块策略影响检索质量——先用自动分块，效果不好再手动调

✅ 三种检索方式：向量（语义）、全文（精确）、混合（都想要）——混合通常最好

✅ 标准工作流模式：输入 → 检索 → 处理 → 输出，加兜底

✅ 调优流程：10 个测试问题 → 定位问题 → 调参数/Prompt → 重复迭代

---

← 返回章节目录 | 继续学习：插件与工具调用 →