用 SkyAgents 搭建知识库问答 Agent 并接入联网搜索

SkyAgents 是一个可视化搭建 AI Agent 的平台，用户不需要写代码，在画布上把模块连起来、填好参数，就能得到一个能对话、能查资料、能按条件分支的智能体。它适合两类人：一类是想把个人或团队的专有资料变成可问答助手的业务人员，另一类是希望快速验证 Agent 逻辑、不想先搭一套工程框架的开发者。本文要讲清楚的具体任务是：在 SkyAgents 上搭建一个知识库问答 Agent，并把它扩展成知识库与互联网搜索结合的组合型 Agent。如果你更习惯先了解这类平台的通用能力，可以先看 SkyAgents 的工具页，再回到本文按步骤操作。

在动手之前，需要先建立一个观念：Agent 的稳定性来自确定性的流程，而不是让模型自由发挥。执行步数越多，出错的可能性越大，而且一旦中途走偏，从错误里恢复的机会很小。更稳妥的做法是让 Agent 先生成一份确定的计划，再按结构化、可重复的方式执行。这样做有三个直接好处：生成的计划可以当作提示词里的少样本示例或微调数据；系统更容易测试和调试，失败能追溯到具体某一步；计划本身可以画成有向无环图（DAG），比一段静态提示词更直观，也更容易适应新情况。

举个具体例子。假设 Agent 的任务是帮用户在线买一件商品，步骤包括搜索商品、比较价格、选择颜色和尺寸、加入购物车、填写支付信息。如果某一步出错，比如颜色选错了，你可以直接回到「选择颜色和尺寸」这一步排查，而不是在一团模糊的对话记录里找问题。把这几步画成节点和箭头，顺序一目了然；如果要在筛选价格之前先看商品评价，只需插入一个新节点、调整连线即可。搭建 SkyAgents 的 Agent 时，画布上的模块排布遵循的是同一个道理。

准备工作

开始搭建前，先把下面几件事准备好。

• 账号：需要一个可以登录 SkyAgents 的账号，登录后才能进入 Agent 的创建与编辑界面。具体注册方式与可用地区以官网当前信息为准。
• 知识库素材：把要喂给 Agent 的资料整理成文档并上传到知识库。本文示例使用的是一批大语言模型相关资料，Agent 的定位是「大语言模型方面的专家」。
• 对模块的基本认识：SkyAgents 的画布由若干模块组成，常用的有「用户提问」「知识库搜索」「智能对话」「确定回复」，以及信息处理类的「信息分类」「信息提取」「信息加工」。每个模块都有必填信息和选填信息，搭建时先把必填项填好。
• 一个明确的编排目标：在真正拖拽模块之前，先想清楚这个 Agent 要解决什么问题、希望达到什么效果、需要哪几个模块组合。这一步省不得，画布乱通常是因为目标没想清楚。

另外，建议先熟悉一下 AI 模块里几个关键参数的含义，后面调参会反复用到。

提示词

提示词是一段固定的引导内容，会被固定在上下文的开头，用来约束模型的聊天方向。它支持变量，例如写成 {{language}} 这样的占位符，可以让同一段提示词在不同场景下灵活替换。

回复创意性（温度）

温度表示 AI 回复内容的严谨程度。数值越低，回复越严谨，越贴近知识库里的原文；数值越高，发挥空间越大。在知识库回答场景中，通常把温度设为 0，以保证答案不偏离资料。

回复字数上限

这个参数控制 AI 回复的字数。上限越低，回复越短；上限越高，回复越长。但它不是越大越好——上限调高后，模型可能引用更多内容，反而带出无关信息。

知识库相似度

控制用户提问与搜索结果之间的相似度门槛。相似度越高，能搜出来的结果可能越少。在知识库搜索模块中，建议把该值调整在 0.6 到 0.9 之间。

单次搜索上限

决定一次知识库搜索最多取多少条结果。取多了不一定好，因为受模型最大 Tokens 和单条知识库内容大小的影响，实际可用条数要看具体情况。建议先设为 1，回复体验通常更好，再根据测试结果调整。

操作步骤

第一步：创建 Agent 并关联知识库

新建一个 Agent，命名为「大语言模型助手」，并在 Agent 设置页面中选择关联已经上传好的知识库。关联动作完成后，规划页面里会自动出现「知识库搜索」模块——这是判断知识库是否挂载成功的最直接方式。如果没有看到这个模块，回到设置页检查关联是否生效。

第二步：规划画布逻辑

本案例的画布由四个模块和三条连线构成，逻辑如下：

1. 「用户提问」模块负责接收用户输入，并把问题输出出去。
2. 「知识库搜索」模块通过「信息输入」接收用户问题，然后执行两步操作：先把提问向量化，与知识库中已有的内容切片做向量检索；再把搜索结果按相似度排序，返回排名靠前的切片。
3. 连线 2：如果知识库搜索没有返回符合条件的切片，触发「确定回复」模块，回复用户「抱歉，这个问题暂时无法回答，我还需要更多的学习」。
4. 连线 3：如果搜索到了符合条件的切片，触发「智能对话」模块，并把提示词、知识库搜索结果、用户提问三者一起传给它处理。

这个结构的关键在于把「查到了」和「没查到」拆成两条确定的分支，而不是让模型自己判断该不该编答案。没查到就明确说没查到，这是知识库 Agent 可信度的来源。

第三步：配置知识库搜索模块的参数

「知识库搜索」模块只有两个参数，但它们直接决定返回结果的质量。

参数	作用	建议取值
知识库相似度	控制用户提问与搜索结果之间的相似度门槛，值越高结果越少	0.6 到 0.9 之间，按测试效果微调
单次搜索上限	一次搜索最多取多少条结果作为输出	先设为 1，再结合测试调整

调参的方法是：固定一个参数、改动另一个，观察回复质量的变化。相似度设得太低，会混进不相关的切片；设得太高，可能明明有资料却搜不出来，直接走到「确定回复」分支。搜索上限同理，条数增加会挤占上下文空间。

第四步：配置智能对话模块

在「智能对话」模块里填好提示词，明确这个 Agent 的身份是「大语言模型方面的专家」，只依据传入的知识库搜索结果作答。温度设为 0，回复字数上限按实际需要设定，不要一味拉高。提示词中可以用变量占位，把用户提问和检索结果动态注入。

第五步：调试与优化

Agent 很少一次搭成，尤其是逻辑复杂的时候，连线设计和参数设计都需要反复调整。调试时重点看三件事：命中知识库的问题是否走到了「智能对话」分支；未命中的问题是否稳定走到「确定回复」分支；返回的切片内容是否真的回答了用户的问题。持续调整节点排布和参数，Agent 的体验质量会明显提升。

一个完整示例：知识库加互联网搜索的组合型 Agent

知识库 Agent 跑通之后，可以把它扩展成一个同时具备本地知识和网络搜索能力的 Agent。整体思路是两段式检索：大模型先在内部知识库中做与问题相关的搜索，再利用知识库中找到的信息到互联网上做进一步搜索，最后综合本地知识和互联网搜索结果来回答用户。

具体编排可以按下面的顺序组织：

1. 「用户提问」模块接收问题。
2. 「知识库搜索」模块用用户问题做向量检索，返回相似度靠前的切片。相似度与单次搜索上限沿用上一步的配置。
3. 把检索到的切片内容与用户原问题一起送入联网搜索环节，作为搜索的上下文和改写依据。这样做的目的是让网络搜索围绕本地资料展开，而不是脱离业务语境泛泛地搜。
4. 把知识库结果与网络搜索结果合并，交给「智能对话」模块生成最终回答。提示词中要说明两类信息的优先级，避免模型把网络上的说法当成内部资料的结论。
5. 如果知识库和网络搜索都没有得到可用内容，仍然保留一条兜底分支，返回明确的「暂时无法回答」提示，而不是让模型自由发挥。

这个组合结构适合资料覆盖不全、但问题又需要时效性信息的场景。需要注意的是，联网搜索会引入外部内容，回答的确定性会下降，因此提示词里的约束要比纯知识库 Agent 更严格。

发布上架

Agent 调试满意后，在平台上执行发布上架流程，使其可以被其他用户访问和使用。发布入口与审核要求以官网当前信息为准。

注意事项

• 先规划再连线：模块要按信息流转的顺序排布。动手前先列出编排目的和期望效果，想清楚需要哪些模块组合，能省掉大量返工。
• 必填项优先：每个模块都有必填信息和选填信息。先把必填项设置好，再规划选填项，思路会清晰很多。
• 善用信息处理三件套：信息分类、信息提取、信息加工是复杂场景的核心。需要处理结构化程度不高的输入时，优先考虑用这三个模块拆解任务。
• 温度不要为了多样性而乱调：提高温度确实能增加输出的随机性，但温度过高时模型可能生成不存在的产品或出现乱码。保持在合理范围内更稳妥，知识库问答场景直接设为 0。
• 需要多样化输出时，换手段而不是只调温度：可以调整提示词中元素的顺序，比如把用户购买历史「笔记本、手机、耳机」改成「耳机、笔记本、手机」，推荐结果会随之变化；可以在提示词中保留前几轮已推荐的产品并明确要求避免重复，例如写明「请不要推荐已经购买的产品：笔记本、耳机」；也可以改变措辞，把「推荐用户喜欢经常使用的产品」换成「推荐用户可能会推荐给朋友的产品」，模型给出的答案会不同。这些方法组合使用，比单纯拉高温度更可控。
• 搜索上限不是越大越好：受模型最大 Tokens 和单条知识库内容大小限制，取太多结果会挤占上下文，反而降低回答质量。
• 价格、配额与功能可用性：平台的功能范围、额度与计费方式可能调整，一律以官网当前信息为准。