Skip to main content
XpertAI 平台中,知识库不仅是信息的储存中心,更是驱动智能体理解、分析与决策的核心要素。通过将知识库与数字专家工作流深度集成,你可以让智能体在执行任务时具备真实、准确、可追溯的知识支持。 XpertAI 当前支持三种主要的知识库使用方式,适用于不同场景与任务需求。

一、通过「知识检索节点」调用知识库

知识检索节点(Knowledge Retrieval Node) 是 XpertAI 智能体工作流中的核心能力之一。 它可自动从已构建的知识库中查找与用户输入问题语义最相关的内容片段,并将这些片段作为上下文信息传递给下游的智能体节点。 这一过程确保了智能体的回答始终基于真实的知识来源,而非单纯的语言模型生成,从而显著提升回答的准确性和一致性。 典型应用场景:
  • 在问答类工作流中,为 LLM 提供事实依据;
  • 在业务分析或报表解释中,为智能体提供行业或企业内部背景知识;
  • 在文档摘要、决策支持等复杂任务中,作为知识前置模块使用。

二、通过「知识库工具节点」赋能智能体自主调用

除了固定的检索节点,XpertAI 还支持将知识库以工具(Tool)的形式注册给智能体。 在此模式下,智能体可在对话或任务执行过程中自主决定是否调用知识库进行检索,并将检索结果动态融合到回答中。 你可以在智能体添加「知识库节点(Knowledgebase)」—— 该节点允许智能体在需要补充知识或验证信息时主动访问知识库,完成按需检索。 在每个 Agent—知识库绑定上,你还可以同时配置:
  • 固定过滤条件:由管理员限定领域、项目、文件夹或文档状态,Agent 无法修改;
  • 允许 Agent 自动过滤:Agent 可以根据当前问题使用文件名、文件类型、目录和 metadata 进一步缩小范围;
  • 实时知识过滤选项工具:Agent 可以先查询有效目录和 metadata 值,不必自行猜测;
  • 知识库启用 GraphRAG 后的知识图谱探索工具:Agent 可以寻找实体、沿关系展开、检查边界内证据,再把发现的关键词用于原始分块检索;
  • Vector 检索模式:智能过滤当前正式支持 PGVector 和 Milvus。
Agent 不确定过滤条件时会直接省略动态条件,但固定边界始终生效。详细配置参阅智能过滤检索 优势:
  • 提升智能体自主性和上下文灵活性;
  • 适合长对话、多轮推理等复杂智能体;

三、在项目空间中启用通用知识库

对于跨工作流或多任务的协同场景,XpertAI 支持在**项目空间(Project Workspace)**中添加通用知识库。 该知识库对项目内的通用智能体开放,使其能在执行任意任务时自动检索所需知识,无需额外节点配置。 这样,你的项目团队就可以:
  • 将公司内部文档、操作手册、行业报告等整合为统一知识源;
  • 让智能体在执行报表分析、客户答疑、文档编写等任务时直接引用共享知识;
  • 保证团队所有智能体基于相同的信息体系工作。

四、通过固定条件与 Agent 自动过滤共享一个知识库

当多个团队共用一个大型知识库时,不必为每个领域复制一套文档。可以为每个数字专家或工作流绑定不同的固定条件,再按需开放 Agent 自动过滤。 例如:
  • 水利报价 Agent 固定检索 metadata.domain = 水利
  • 物流报价 Agent 固定检索 metadata.domain = 物流
  • 用户问题中的年份、地区、文件类型和文件名关键词由各 Agent 动态补充;
  • 所有结果继续受组织权限、禁用状态和固定边界约束。
这种方式兼顾知识资产复用、业务隔离和检索精度,也便于在调试日志中还原每次检索决策。

小结