Agent三大痛点：知识库+工作流+Prompt工程

欢迎留言，每条留言都会精选、本人当天回复，文章错误内容也会在回复中更新。本文分为三部分，介绍Agent三大痛点：知识库+工作流+Prompt工程。第一部分是知识库，第二部分是工作流，第三部分是Prompt工程。

正文:

一个好的AI Agent 的大概包括五大组件：

大语言模型 (LLM)是基础计算能力，日趋标准化；工具 (Tools)是能力扩展接口，通过MCP等协议日趋标准化；知识库 (RAG)决定知识深度与专业性，减少模型“幻觉”，是企业知识的载体；工作流 (Workflow)决定处理效率与逻辑，是复杂任务自动化的骨架；提示词 (Prompt)直接决定输出精度，需要深度结合业务场景进行设计。设计精准的提示词、编排可靠的工作流，以及构建和维护高质量的知识库，是设计AI Agent的三大痛点。

一、知识库

咱们先聊聊知识库怎么建。

1、知识收集

先说知识收集：你手头的PDF、Word、PPT都算"知识原料"。比如你有个眼镜行业的pdf报告，用minerU这种工具一扫，就能把里面内容"扒"出来，变成系统能用的文本。就像你把一堆杂乱的书本整理成电子版，方便以后用。

2、知识整理

知识整理是关键步骤：把内容切成小块，就像切蛋糕一样。可以按章节切，也可以按主题切，或者按固定字数切。切完后，给每块加点"小标签"，更方便查找。比如"报告日期"、"关键词"，这样以后找起来特别快。比如一份关于“专利纠纷”的报告，有如下小标签：

标题：海外知识产权纠纷应对策略时间：2025年9月关键词：专利、法律反制、风险预警

3、知识存储

存储方式有讲究：现在主流是存成"向量"，就是把文字变成数字向量。这样系统能理解意思，不是死记硬背关键词。比如你问"眼镜行业趋势"，系统能知道你问的是"趋势"，而不仅仅是匹配"趋势"这个词。下面三种存储方式，对应三种知识检索方式：

1. 语义找（语义搜索）：存储文本片段的向量表示，理解问题意思，找最相关的。

2. 关键词找（全文搜索）：找关键词匹配的

3. 关联找（图搜索）：存储实体及其关系，找相关联的知识

比如问"怎么处理客户投诉"，语义找能定位到"客户投诉处理指南"，关键词找能精准定位到"投诉处理流程"章节，关联找还能发现"客户服务最佳实践"。

我倾向于采用混合存储架构，即语义搜索+图搜索，对应就要使用向量数据库（Milvus）和图数据库（Neo4j）。分为下面三个步骤：

想象一下，你要整理一个超级详细的社交网络：Neo4j（图数据库）就像一张巨大的“关系网”，里面记录着每个人（节点）是谁、有什么特点（属性），以及他们之间是什么关系（边）。比如，小明是学生，喜欢编程，认识小红。

Milvus（向量数据库） 则像一个“特征档案库”，不为每个人保存文字描述，而是存储他们的“数字指纹”（向量）。比如，小明的特征可能是 [0.25, 0.8, -0.1, ...]（计算机能看懂的数字串），代表他的兴趣、能力等。  

这样做的好处：以后既能查关系（谁认识谁），也能通过“数字指纹”快速找相似的人（比如都喜欢编程的人）。

② 向量化处理流程：给新信息制作“数字指纹”

当有新资料（如一篇文章）进来时，系统会：

就像书越厚越需要目录，数据多了也要加“索引”来提速：

4、知识检索

举个例子你问“怎么治疗高血压”，首先要快速找到医学指南里的关键词（比如“降压药”），还要理解“高血压”和“心血管疾病”之间的关联（比如并发症），甚至推荐“低盐饮食”这种生活建议。

① 语义检索：像“找相似人”一样找答案

② 图检索：像“查人际关系网”一样找答案

③ 辅助检索手段：动态权重和预计算

a.根据问题类型调权重

b.图嵌入向量：让图检索“加速跑”

5、知识排序

排序策略主要包括：

5、知识更新

知识库就像一个有生命的“知识仓库”，需要持续“保鲜”和“打理”，才能保证里面的信息不过时、不出错。一个好的更新机制能让这个仓库自动或半自动地“补货”和“清货”，减少人工折腾。

① 自动检测变化，触发更新
    系统会像“哨兵”一样盯着知识来源（比如文件、数据库），一旦发现变动（如上传了新文档、更新了日志），就自动启动处理流程。这就类似设置了自动提醒，文件一改，后续的解析、存储流程就跟着运转起来。

② 增量更新，只处理“新货”

    为了省时省力，不需要每次都把整个知识库重做一遍。而是只处理新加的、或者有变动的部分，原来没动的就直接保留。这就像超市补货，只上新商品，货架上原有的商品不动。

③ 处理版本冲突和矛盾
    知识来源多了，不同版本或不同来源的信息可能会有冲突。这时可以：

1、先查知识库缓存（如果昨天刚更新过）；2、没缓存？调天气API工具（比如用高德接口）；3、用LLM把数据整理成人话（比如“晴，25℃，适合出门”）。

① 角色设定

很多人写"你是资深产品经理"，结果AI开始讲行业大道理。真正好用的提示词是"你是电商产品文案生成器"。为什么呢？如果是人类专家会思考"为什么"，但是机器只会执行"怎么做"。

错的角色设定："你是资深电商运营专家，擅长写产品文案"对的角色设定："你是电商产品文案生成器，只负责根据参数输出100字产品描述，不添加额外解释"

② 上下文

AI是没有常识的，比如：

"你是智能客服，用户问：'为什么我的订单还没发货？'你提供给AI的上下文：用户订单号为20231001，已支付，物流显示'已揽收'"

这样AI才知道"订单已支付但物流状态是'已揽收'，不是没发货"，不会答"请等待发货"。

2、Examples：让AI"照着做"，不是"猜着做"

写Examples如果只放随便几个例子，AI可能还是胡来。关键不是放例子，而是让AI"学会思考"。通过3个例子，它就记住"这样写是对的"。我在写例子的时候大概有下面几个经验：

① 质量优先：只放正确例子，别放"可能对可能错"的

② 乱序排列：别把对的放一起，错的放一起

③ 覆盖全面：不同场景都要有例子，比如：

正常查询："手机没电了怎么办？" → "充电5分钟，通话2小时"异常情况："手机进水了，还能用吗？" → "请立即关机，勿充电"

你的example ： "先查库存，再看物流，最后输出结果"
 AI的回复  "1. 查库存 2. 看物流 3. 输出结果"

你的example："你是库存物流查询助手，只输出JSON格式。示例：输入：查iPhone 15库存和物流 → 输出：{"库存": "有货", "物流": "已发货"}输入：小米14物流状态 → 输出：{"库存": "缺货", "物流": "未发货"}请严格按JSON格式输出，不要任何其他文字"
AI的回复：{"库存": "有货", "物流": "已发货"}

3、Output Format：让AI老实交作业

光说"输出JSON"，AI可能只是给你写段话。必须用"约束+示例+反复强调"。

1. 为什么AI不按JSON输出？

因为AI的"思维惯性"：它觉得"说人话"更自然。你让实习生写报告，他可能先写"我今天做了啥"，而不是直接给结论。

2. 有效方法：

3. 实际例子：

你是JSON生成器，只输出JSON，不要任何其他文字。示例：输入：iPhone 15 价格5999 → 输出：{"name": "iPhone 15", "price": "5999"}输入：手机没电了怎么办 → 输出：{"solution": "充电5分钟，通话2小时"}错误示例：'iPhone 15价格5999元' → 正确示例：{"name": "iPhone 15", "price": "5999"}请严格按JSON格式输出