创建一个 AI 知识库的流程如下：
此外，知识库问答是机器人的基础功能，利用了大模型的 RAG 机制（检索增强生成），即先从大型数据集中找到与问题相关的信息（检索），再使用这些信息生成回答（生成）。基于 RAG 机制实现知识库问答功能，需要创建包含大量文章和资料的知识库，通过手工录入等方式上传，并设置合适的搜索策略、最大召回数量和最小匹配度，以更好地利用知识库返回的内容进行结合回答。
[heading5]3）创建【知识库】，整理“关键字”与“AI相关资料链接”的对应关系，并将信息存储起来。创建知识库路径：个人空间-知识库-创建知识库知识库文档类型支持：本地文档、在线数据、飞书文档、Notion等，本次使用【本地文档】按照操作指引上传文档、分段设置、确认数据处理。?小技巧：知识库好不好用，跟内容切分粒度有很大关系，我们可以在内容中加上一些特殊分割符，比如“###”，以便于自动切分数据。分段标识符号要选择“自定义”，内容填“###”。最终的知识库结果如下，同一颜色代表同一个数据段，如果内容有误需要编辑，可以点击具体内容，鼠标右键会看到“编辑”和“删除”按钮，可以编辑或删除。[heading5]4）创建【工作流】，告诉AI机器人应该按什么流程处理信息。[content]创建工作流路径：个人空间-工作流-创建工作流“AI前线”Bot的工作流最终结果如上，本次只用到了“知识库”进行处理。工作流设计好后，先点击右上角“试运行”，测试工作流无误后，就可以点击发布啦。如果任务和逻辑复杂，可以结合左边“节点”工具来实现。比如：可以在工作流中再次调用【大模型】，总结分析知识库内容；可以调用【数据库】存储用户输入的信息；可以调用【代码】来处理复杂逻辑等等；?个人建议：工作流不必复杂，能实现目的即可，所以在设计Bot前“确定目的”和“确定功能范围”很重要。
[heading5]3）创建【知识库】，整理“关键字”与“AI相关资料链接”的对应关系，并将信息存储起来。创建知识库路径：个人空间-知识库-创建知识库知识库文档类型支持：本地文档、在线数据、飞书文档、Notion等，本次使用【本地文档】按照操作指引上传文档、分段设置、确认数据处理。?小技巧：知识库好不好用，跟内容切分粒度有很大关系，我们可以在内容中加上一些特殊分割符，比如“###”，以便于自动切分数据。分段标识符号要选择“自定义”，内容填“###”。最终的知识库结果如下，同一颜色代表同一个数据段，如果内容有误需要编辑，可以点击具体内容，鼠标右键会看到“编辑”和“删除”按钮，可以编辑或删除。[heading5]4）创建【工作流】，告诉AI机器人应该按什么流程处理信息。[content]创建工作流路径：个人空间-工作流-创建工作流“AI前线”Bot的工作流最终结果如上，本次只用到了“知识库”进行处理。工作流设计好后，先点击右上角“试运行”，测试工作流无误后，就可以点击发布啦。如果任务和逻辑复杂，可以结合左边“节点”工具来实现。比如：可以在工作流中再次调用【大模型】，总结分析知识库内容；可以调用【数据库】存储用户输入的信息；可以调用【代码】来处理复杂逻辑等等；?个人建议：工作流不必复杂，能实现目的即可，所以在设计Bot前“确定目的”和“确定功能范围”很重要。
知识库问答是机器人最基础的功能，它可以根据用户的问题，从知识库中找到最佳答案。这其实就是利用了大模型的RAG机制。那什么是RAG机制？RAG机制，全称为“检索增强生成”（Retrieval-Augmented Generation），是一种用于自然语言处理的技术。它结合了两种主要的人工智能技术：检索（Retrieval）和生成（Generation），以提高机器对话和信息处理的能力。简单来说，RAG机制先从一个大型的数据集中找到与当前问题相关的信息，这一步叫做“检索”。然后，它使用这些检索到的信息来帮助生成更准确、更相关的回答，这一步叫做“生成”。可以把它想象成这样一个场景：当你问一个很复杂的问题时，RAG机制先去一个巨大的图书馆里找到所有相关的书籍，然后基于这些书籍中的信息来给你一个详细的回答。这种方法让机器在处理信息时更加精确，因为它结合了大量的背景信息和先进的语言模型的能力，使得生成的内容不仅依赖于模型本身的知识，还融入了具体、相关的外部信息。这对于提升对话AI的理解力和回答质量非常有帮助。基于RAG机制，我们可以实现知识库问答功能。首先，我们需要创建一个知识库，里面包含了大量社区的AI相关的文章和资料。比如我这里创建了一个有关AI启蒙和信息来源的知识库，然后通过手工录入的方式上传这个栏目的所有文章内容：就这样，陆陆续续地将社区其他板块的文章和资料导入到知识库中。在设计Bot中，我们添加这个知识库，并设置合适的搜索策略、最大召回数量和最小匹配度，尽可能好地利用知识库返回的内容进行结合回答：