【愚公系列】《扣子开发 AI Agent 智能体应用》016-基于大模型的企业知识库(知识库实战:打造汽车行业智能客服)

💎【行业认证·权威头衔】
✔ 华为云天团核心成员:特约编辑/云享专家/开发者专家/产品云测专家
✔ 开发者社区全满贯:CSDN博客&商业化双料专家/阿里云签约作者/腾讯云内容共创官/掘金&亚马逊&51CTO顶级博主
✔ 技术生态共建先锋:横跨鸿蒙、云计算、AI等前沿领域的技术布道者
🏆【荣誉殿堂】
🎖 连续三年蝉联"华为云十佳博主"(2022-2024)
🎖 双冠加冕CSDN"年度博客之星TOP2"(2022&2023)
🎖 十余个技术社区年度杰出贡献奖得主
📚【知识宝库】
覆盖全栈技术矩阵:
◾ 编程语言:.NET/Java/Python/Go/Node…
◾ 移动生态:HarmonyOS/iOS/Android/小程序
◾ 前沿领域:物联网/网络安全/大数据/AI/元宇宙
◾ 游戏开发:Unity3D引擎深度解析
🚀前言
通用大模型虽然功能强大,但它可能会产生“幻觉”,其回答问题的准确性无法达到100%。在对模型生成文本的准确性要求较高的应用场景中,例如企业智能客服、高精尖科学技术服务等,往往需要通过知识库来集成私有知识数据,从而丰富大模型的知识范围并提高其回复的准确性。本章将讲解基于大模型的企业知识库的相关知识,并介绍扣子知识库及其在打造汽车行业智能客服方面的实战案例。
🚀一、知识库实战:打造汽车行业智能客服
本章将通过一个完整的实战案例,演示如何利用扣子的知识库和工作流,构建一个汽车领域的专业智能客服。该客服不仅能够精准回答产品咨询,还能借助RAG技术和AI的灵活生成能力,提供更自然、更像真人的交互体验,超越传统FAQ问答机器人的刻板印象。
案例目标:创建一个能回答汽车行业知识的AI客服。核心流程是:梳理汽车知识FAQ → 上传至知识库 → 构建处理工作流 → 最终集成到智能体。
🔎1. 案例实战:打造汽车行业智能客服
🦋1.1 创建与配置知识库
知识库是智能客服的“大脑”。为了确保RAG检索的精准性,需注意知识内容的预处理。
-
准备知识文档:
- 将汽车行业知识(如车型参数、保养费用、购车政策等)整理到一个结构清晰的
.txt文档中。建议使用换行来分隔不同的知识条目,便于后续分段。什么是插电式混合动力汽车?插电式混合动力汽车(简称PHEV)是一种能通过外部电源充电,同时装有燃油发动机和电动机的混合动力汽车。它最大的特点是电池容量比普通混动车大,可以像纯电车一样用纯电模式行驶几十公里,没电时又能像普通混动车一样用油,兼顾了经济性和长途便利性。 什么是电动汽车?电动汽车(通常指纯电动汽车,简称BEV或EV)是完全由车载电池提供电力,并由电动机驱动的汽车。它不需要燃油发动机,行驶过程中本身不产生尾气排放,依赖充电桩等设施进行能量补充。 什么是零排放汽车?零排放汽车是一个环保概念,指车辆在使用阶段不直接排放任何有害污染物的车型。主要包括纯电动汽车和氢燃料电池汽车。一些地区(如美国加州)的政策中,在纯电模式下行驶的插电混动汽车也被计入此范畴。 什么是概念车?概念车是汽车制造商或设计师用来展示新颖、超前的设计理念、技术探索或未来愿景的车辆。它通常不会直接量产,主要用于探索造型、新科技或环保材料等可能性。 什么是定期保养?定期保养是根据汽车技术状况变化的规律,在固定的行驶里程或时间间隔(如每1万公里或6个月)执行的预防性维护作业。其核心是通过系统性的检查、更换易耗品(如机油、滤芯)和调整,提前发现并消除隐患,确保车辆安全、可靠并延长使用寿命。 4S店保养税? “4S店保养税”并非一个独立税种,它通常指车主在4S店支付保养维修总费用时,其中包含的增值税部分。在中国,4S店提供的保养、维修等劳务服务属于增值税应税项目。 奥迪Q3基础保养,需要多少钱?奥迪Q3在4S店进行一次基础保养(小保养,通常包括更换全合成机油、机油滤清器和基础检查)的参考费用约为760元。需要注意的是,这个价格会因所在地区、具体4S店政策以及所选机油品牌型号的不同而有所浮动。
- 将汽车行业知识(如车型参数、保养费用、购车政策等)整理到一个结构清晰的
-
新建知识库:
- 在扣子平台进入“工作空间” > “资源库”,点击“+资源”选择“知识库”。
- 填写知识库信息:
- 名称:
汽车行业知识库 - 描述:
回答汽车行业的知识 - 导入类型:选择“本地文档”。

- 名称:
-
上传文档与智能分段:
- 上传准备好的
.txt文件。 - 关键步骤:配置分段规则。由于文档用换行分隔,为获得最佳检索效果,选择“自定义”分段方式,并将“分段标识符”设置为“换行”。这能确保每个FAQ条目被独立存储为一个知识片段。
- 可调整“分段最大长度”、“文本预处理”(如去除冗余空格、URL)等选项优化内容。

- 上传准备好的
-
预览与扩展:
- 系统处理分段后,可预览分段效果。若不理想,支持重新分段或手动编辑。
- 可继续为同一知识库添加更多文档(如汽车维修保养知识),以扩充知识覆盖面。

🦋1.2 创建工作流框架
工作流用于编排客服问答的标准化流程。
- 在“资源库”中新建一个工作流。
- 设置工作流信息:
- 名称:
faq_online - 描述:
智能客服知识助手

- 名称:
🦋1.3 配置工作流节点
搭建一个包含“检索-增强-生成”核心链路的工作流,节点连接顺序为:开始 → 知识库检索 → 大模型 → 结束。
-
开始节点:
- 配置输入变量,例如命名为
question,用于接收用户的原始提问。

- 配置输入变量,例如命名为
-
知识库检索节点(核心检索层):
- 添加“知识库检索”节点。
- 关键配置:
- 知识库:选择已创建的“汽车行业知识库”。
- Query(查询):引用开始节点的
question变量。 - 搜索策略:推荐选择“混合”搜索,以结合全文匹配与语义理解的优点。
- 优化选项:建议勾选“查询改写”和“结果重排”,以提升召回结果的相关性。
- 召回数量:根据需求设置“最大召回数量”,控制送入大模型的上下文量。

- 大模型节点(智能生成层):
- 添加“大模型”节点,选择
DeepSeek-R1等模型。 - 输入配置:
- 将知识库检索节点召回的内容片段作为一个输入(如变量
content)。 - 将开始节点的原始
question作为另一个输入。
- 将知识库检索节点召回的内容片段作为一个输入(如变量
- 提示词工程(关键):编写用户提示词,精确指导模型如何利用知识库内容进行回答。
#角色 你是我的知识库问答助手,以下是我的知识库内容:{{content}}。 ##任务 - 基于我的提问从知识库中找到匹配的内容,并进行提炼后回答。 ##技能 - 精确理解问题,完全依据知识库内容,给出准确简明的回答。 ##约束 - 所有回答务必局限于检索到的信息,严禁自行创作无关内容。 - 如果未检索到任何信息,则直接回复:“你好,你的问题不在知识库中。” ##我的提问是:{{question}}。
- 添加“大模型”节点,选择

- 结束节点:
- 配置输出变量(如
output),将其值引用为大模型节点的输出,作为工作流的最终回复。

- 配置输出变量(如
🦋1.4 测试与发布工作流
- 试运行:点击“试运行”,输入测试问题(如“奥迪Q3基础保养的费用是多少?”)。检查知识库检索节点是否召回正确片段,以及大模型是否依据片段生成了准确、自然的回答。
- 发布:测试无误后,发布该工作流(如版本号
v0.0.1),使其可被智能体调用。


🦋1.5 创建并集成智能体
将工作流封装为面向用户的客服机器人。
-
创建智能体:新建一个智能体,命名为“汽车行业在线智能客服”。

-
关联工作流:在智能体编排页面的“技能”区域,添加已发布的
faq_online工作流。 -
设置智能体人设:在“人设与回复逻辑”中编写简洁的提示词,定义其角色并指定所有用户问题均交由关联的工作流处理。
#角色 你是一个可以回答汽车行业知识的Bot,可以使用自然语言和客户进行交互。 ##任务 - 将收到的问题经过工作流 {{faq_online}} 处理后输出,不要回复其他内容。 -
最终测试:在预览调试窗口与智能体对话,验证其是否能基于知识库准确、流畅地回答各类汽车咨询问题。

🔎2. 企业知识库落地存在的问题及解决思路
在实战中,企业落地知识库应用常面临以下挑战:
| 问题领域 | 具体问题 | 影响 | 解决思路与建议 |
|---|---|---|---|
| 1. 知识库构建与维护 | 数据不完整、更新滞后、格式不统一、业务定义矛盾。 | 模型检索不准,生成内容与业务实际脱节。 | 1. 统一标准:与业务方深度确认数据标准与口径。 2. 流程化维护:建立知识入库、审核、更新的SOP。 3. 数据治理:进行清洗、分类、标签化,提升数据质量。 |
| 2. 检索与生成精准性 | 检索结果相关性低;模型对检索内容理解或表达有偏差。 | 输出质量下降,可能产生误导性回答。 | 1. 优化检索:调试分段策略、搜索方式(混合搜索)、相似度阈值。 2. 强化提示词:通过提示词严格约束模型“基于检索内容回答”,减少幻觉。 3. 工作流控制:利用工作流节点精确控制检索与生成的逻辑链条。 |
| 3. 私有化与定制需求 | 数据安全敏感,不愿上云;有个性化界面、集成等定制需求。 | 云端方案受限,个性化需求难以满足。 | 采用私有化部署方案:如使用开源项目 FastGPT。它提供可视化RAG工作流、支持多模型(包括DeepSeek),并能通过API与企业微信、飞书等内部系统集成,同时满足安全与定制需求。 |
| 4. 用户输入模糊性 | 用户提问模糊、歧义、不结构化。 | 模型难以理解真实意图,回答偏离。 | 1. 意图识别:在工作流前端添加意图识别节点,对问题分类。 2. 交互设计:设置引导式提问或多轮对话,逐步澄清用户需求。 |
总结:通过本案例,你已掌握了利用扣子平台构建专业领域智能客服的完整路径。成功的关键在于构建高质量的知识库、设计精准的检索增强生成(RAG)工作流,并通过持续的测试优化来解决实际落地中的挑战。
- 点赞
- 收藏
- 关注作者










评论(0)