从“躺进收藏夹吃灰”到“盘活知识用起来”——AI知识库3.0升级方案设计-CSDN博客

本文链接：https://blog.csdn.net/2503_91118800/article/details/148007457

这是不是你？看到干货文章疯狂收藏，结果躺在收藏夹吃灰；想了解学习最新的AI工具，点进去却被满屏专业名词劝退；充满期待地点开《一分钟教你用AI赚钱》，《3分钟教你用AI生成10条短视频，播放量百万》，以为是“什么武功秘籍”，看完后才发现是九块九包邮的"屠龙术"...

概括起来大家在做知识采集过程中，或多或少会遇到这几个问题：

没时间去整理筛选资料
不知道哪些适合阅读
部分文章专业性强看不懂/对我无用
充斥标题党营销文筛选难
资料收藏后闲置率高

关于AI知识库之前已经写过2篇文章了，有兴趣的小伙伴可以点击链接考古：

-1.0版本：产品经理怎么用AI搭建你的专属知识库？（保姆级教程） – 人人都是产品经理主要尝试让AI帮我做资料整理；
-2.0版本：告别熬夜整理！你的AI知识库该学会自己“觅食”了：关键词自动检索+资料归档+整理汇报 – 人人都是产品经理主要介绍了怎么让AI自动帮我收集资料。
本篇3.0版本将在之前的基础上，针对知识分类整理，资料的应用效率等方面对AI知识库进行升级，感兴趣的话可以往下看。

一、方案的思考

总体方案思维导图

整体方案我是从资料从哪里来、资料怎么整理、资料怎么应用三大方面思考拆解为以下脑图：

1）资料来源

知识库的素材来源有两大路径：一方面是希望由AI自动在网站上爬取，根据我设定好的规则筛选摘录，另一方面是我自己平时看到觉得好的文章，按照规则摘录进知识库。由此可以梳理出以下两条工作流：

2）资料规范

不管是人工或者是AI检索的文章是很多样的，需要按照统一的标准规范记录到知识库，这样后续不论是自己看，还是检索或者AI推荐阅读文章规则，都有依据。这里我是根据我的使用习惯，设定了以下几个字段。并据此在飞书中创建知识库的多维表格。（对应表格中列表应该选择的类型详见下方截图）

3）资料应用

AI可以替代人工去收集整理资料，但是无法替代人去学习。收集有用的资料进知识库只是第一步，更重要的是后续要怎么用起来。这里我考虑了两大场景，一方面是当用户主动输入需求发起检索，另一方面是希望知识库Agent能够自动定时的推送，提醒用户来阅读。由此也梳理了对应工作流：

二、详细的方案设计

智能体搭建平台：Coze
搭建内容：工作流（Workflow）X5，智能体X1
操作路径：工作空间-资源库-资源-工作流
平台费用：创建免费，工作流运行时调用插件及大模型需消耗Token。平台账号可免费注册，每日有免费Token额度，超额需充值

步骤1：创建人工精选文章整理工作流

目标及场景：当“我”看到觉得有价值的文章内容时候，只需要给我的智能体发送文章链接，智能体就可以帮我通过文章链接，整理成对应的内容，收录进知识库。
工作流节点：下图是配置完成的工作流，除了必须的开始及结束节点外，主要包含4大节点：

链接读取：这是一个插件，选择[添加节点]后选择[插件]，在插件库中选择扣子官方提供的插件。它用于读取文章链接中的全部信息，用于后续大模型的解析和内容整理；
大模型①：主要用于分析整理内容，下图是该节点对应输入和输出的字段和格式。输入内容直接引用上一节点插件输出的title和content字段，输出的内容对应的是后续要写入知识库（飞书表格）的字段。在大模型的提示词中，我主要给它定义了4项任务：1)撰写精炼摘要并过滤广告信息；2)通过特征匹配将内容归类为5种专业主题或"其他"；3)按严格格式输出包含标题、摘要、链接、类型、主题、时间的结构化数据，强调信息精准性、格式规范性和主题判断的逻辑层次；

大模型②：主要是用于将大模型①输出的字段，按照飞书文档要求的传入格式进行整理，这里也可以使用<代码>节点进行替代；

飞书多维表格：这也是一个插件节点，在插件库中，检索“飞书”，找到下图中的插件。app_token字段复制上前面创建好的文档地址，records字段直接引用大模型②输出的字段；

链接好工作流全部节点后，点击试运行，随便贴进一个文章的链接，看是否能够运行成功，飞书多维表格返回“success”即代表写入成功，即可点击右上角发布；

步骤2：创建AI自动采集信息的工作流

目标及场景：AI可以固定频次从高质量网站（如：人人都是产品经理）采集AI相关优质文章，按照我要求的格式整理进我的知识库（飞书文档）
工作流节点：下图是配置完成的工作流，除了必须的开始及结束节点外，主要包含3大节点：

文章获取：这是一个插件节点，可通过插件库中检索“人人都是产品经理”，这个插件的能力是可以从人人都是产品经理的网站，帮我一次性获取到30条的热门文章标题/热度/时间/文章链接等。
同理，也可以选择从别的平台获取文章的插件。我是觉得这个平台始终坚持人工审核文章内容，文章质量和学习性比很多平台高很多，而且热榜是编辑团队已经审核并且受到众多读者喜欢的，筛选出来的文章质量有一定的保证。

大模型：这里大模型节点，主要是用于筛选AI相关的文章。上一节点中30多条的热门文章可能不都是AI相关的，所以这里在大模型提示词中，要求它整理出与AI相关的文章链接。

循环：添加循环节点包含循环及循环体两大部分，循环体中是具体的循环动作，循环则控制了该节点输入和输出的字段。这里的循环节点，主要负责是将上一节点中大模型筛选出来的AI相关文章，逐条文章url进行解析，内容提取分类，写入飞书知识库（这里的步骤和步骤1中创建的人工精选文章整理工作流一致，所以这里直接复用步骤1中的工作流）。
在循环体中还有一个设置变量的节点，这个节点的目的是为了保证每一篇文章的url都需要遍历这个流程而添加的。

链接完所有的流程，试运行成功后，点击右上角发布工作流。

步骤3：创建用户主动检索工作流

目标及场景：当用户输入想要了解的内容时，智能体可以检索知识库中的文章，整理推荐出最匹配用户需求的文章。（实际呈现效果如下图）

工作流节点：下图是配置完成的工作流，除了必须的开始及结束节点外，主要包含2大节点：

表格内容读取：这是一个插件节点，通过插件库添加，在插件库中搜索飞书多维表格，找到下图的插件选择添加，app_token处输入要读取的多维表格链接。

大模型：这里我通过提示词给AI的任务是，让它通过剖析用户查询意图，依据特定规则从知识库筛选匹配文章，按评分机制计算总分并按规则推荐，还需在用户有疑问时解释评分依据，按要求格式呈现至多 5 条推荐结果。下图是我设计的推荐评分体系。

链接完所有的流程，试运行成功后，点击右上角发布工作流。

步骤4：创建自动内容推荐工作流

目标及场景：当用户没有主动要求检索内容时，Agent可主动触发推荐最新收录的文章，附上文章推荐语方便用户筛选，点击链接可直接跳转阅读原文。

工作流节点：下图是配置完成的工作流，除了必须的开始及结束节点外，主要包含2大节点：

表格内容读取：这是一个插件节点，通过插件库添加，在插件库中搜索飞书多维表格，找到下图的插件选择添加，app_token处输入要读取的多维表格链接。
大模型：这里大模型的提示词与步骤3中的有所不同，定义了它从指定知识库中按收录时间最近优先、同收录时间按发布时间由近及远的规则筛选最新文章，结合摘要或主题内容生成推荐语，按特定格式展示标题、链接及推荐语，无文章时告知用户 “当前没有可推荐的文章”。
链接完所有的流程，试运行成功后，点击右上角发布工作流。

步骤5：创建文章内容播客工作流

目标及场景：实现下班途中碎片化途中，播放文章内容，提升知识库资料利用率。（下图是试运行的效果，最终会生成一个语音url）

工作流节点：下图是配置完成的工作流，除了必须的开始及结束节点外，主要包含3大节点：
链接读取：这是一个插件节点，通过插件库添加，用于获取链接中的内容；
大模型：因为上一节点，插件会输出很多的字段，需要整理成更流畅清晰的文本内容；
文本转语音：这也是一个插件节点，在插件库中检索“文本转语音”即可找到，是扣子官方出的一个插件。test变量直接引用上一节点中大模型整理好的文本即可。

步骤6：创建智能体

目标及场景：为了方便后续的使用，需要创建一个智能体，通过设置提示词，配置工作流及定时触发任务，实现以上所有工作流的串联和协同调用。
智能体任务：用下表整理了智能体要执行的工作流和对应工作流执行的条件；

智能体配置

添加插件：在插件栏添加两大插件，获取当前时间及连接读取，这是为了让智能体能够识别用户跟它对话的时间，当用户给它发送文章链接时，可以先通过插件读取内容，判断是否还有营销卖课引流等信息，做初次筛选；
添加工作流：添加上述方案中所有配置好的工作流，以便智能体能清楚的知道后续要调用哪些工作流；
添加触发器：这里配置了定时收集AI相关文章还有每日自动推荐文章内容的两条工作流，触发器支持定时或者按照事件触发两种类型，这里用的是定时触发；
编排人设：在左侧的人设与恢复逻辑中，定义好智能体的工作流，什么情况下调用什么工作流，具体的工作流用{{}}进行引用；
预览与调试：在右侧进行测试，确认完成后，点击右上角发布；

附录

智能体使用

知识库3.0已经上架在扣子的应用商城，PC端检索“笛仁杰AI知识库3.0”可以免费体验。移动端可微信公众号搜索“笛仁杰聊AIGC”菜单，阅读原文链接免费体验。（无套路，不卖课，仅分享）

下图为知识库部分内容截图，会持续更新，精选优质AI内容。

心得分享

现在铺天盖地AI的资讯文章很多，越是在学习，越是感觉“知道的越多，知道的越少”。在摸着石头过河中，我对于AI学习也有了一些心得：

AI学习要广撒网，但是一定要收线

AI领域的知识体系庞大且交叉性强，从自然语言处理（NLP）到计算机视觉（CV），从强化学习到多模态模型，底层逻辑相互关联。每一个分支展开都是庞大的学习量，也都值得深入学习摸索。但是人的精力毕竟是有限的，如果广而全最后只能狗熊掰棒子。自己要给自己定一条主线，根据主线再去找补齐主线的碎片化知识。（BTW这也是我为什么一直思考怎么迭代知识库的原因。）这样效率才会比较高，不会陷入迷茫。