AI智能体：手把手带你用扣子搭建知识库，还能自动收集客户需求

最新推荐文章于 2025-04-10 13:26:19 发布

程序猿李巡天

最新推荐文章于 2025-04-10 13:26:19 发布

阅读量8.9k

点赞数 28

文章标签：人工智能分布式 transformer 深度学习 lstm

本文链接：https://blog.csdn.net/m0_59235945/article/details/141902292

版权

过去接了不少提示词的商单。

提示词传播太快、可替代性高，这是一部分问题。流量不够，这也是个问题。

如今扣子的用户群体规模庞大，是否能搭建一个提示词教学的智能体，同时把定制化需求 自动收集到飞书表格 中呢？

你是否也和我一样，想过在分享知识的同时，也能收获更多商机呢？

接下来，我们来看看如何借助扣子完成这个目标的。

一、创建知识库

之前没有写过知识库的创建教程，这次会写稍微细一点。

一般搭建知识库问答助手时，我们需要提前准备知识库文件。

这些文件要么来自企业或个人本地，要么来自个人账号下的云文档平台，要么源自互联网。

所以我将从个人本地，以及小报童中的部分章节中挑选内容，作为知识库的源头。

在 个人空间 点击 知识库 > 创建知识库.

可以选择不同的知识类型,支持文本、表格、照片。本次我选择了文本格式。

导入内容可以支持本地文件，在线网页内容、Notion、飞书文档、还可以完全自定义内容。

本次我选择了本地过去积累的提示词基本文档，其中一部分来自我的小报童中。

支持文件格式也挺丰富的。支持格式：PDF、TXT、DOC、DOCX、MD。

分段的方式支持 自定义 和 自动分段与清晰。

自定义中，可以设定分段的标识符、分段长度，和一些预处理规则。

本次文件内容没有特殊需要处理的地方，直接选择了默认的自动分段与清洗。

数据处理完后点击确认.

我们可以看到知识库的内容被切割成不同的段落.

二、搭建工作流

接下来，我们来搭建工作流。

建议各位小伙伴在搭建相对复杂的工作流时，可以提前画一画。

利用在线工具，比如 Process On、Mermaid ，或者在纸上梳理一下，这样搭建起来效率更高。

这是我搭建后的 Coze 工作流，接下来我来拆解下。

怎么识别用户输入的到底是提示词的问题，还是想要定制提示词，我这边利用了「意图识别」节点。

官方介绍文档：https://www.coze.cn/docs/guides/intent_recognition_node

有小伙伴可能会问，「意图识别」和之前用过的「选择器」的区别是什么？

简而言之，选择器完全遵从设置的规则，意图识别是基于大模型的语义理解来确定分支的流向。

一）提示词问答分支

接下来，先看提示词问答的分支。

在这个部分，首先需要选择「知识库」节点，将「开始」节点中用户每轮的输入作为知识库查询的问题。

再选择第一步，我们搭建的知识库：提示词基础知识。这里涉及到几个参数，官方解释地很到位，我这边就不重复造轮子了。

测试下搜索出来的效果如何。由于设置参数：最大召回数量为 3，所以这边得到了 3 个结果。

内容的确来自本地文件，然而内容太过冗长，杂质也不少。这样回复给用户，肯定是不行的。

那接下来，我们增加「大模型」节点，将知识库搜索的结果作为 参考文本，再基于用户的问题进行回答，这样才会得到一段准确的回答。

这个过程实际上就是 RAG 的核心。总结如下：先将源文件分段后进行向量化，再基于用户的提问匹配到最为接近的答案，最后交给大模型来优化回答。

提示词：

忘记你已有的知识，仅使用{{knowledge}}中的内容作为你的知识,回答用户的问题{{question}}: 思考流程：1. 判断问题{{question}}是否与{{knowledge}}标记中的内容有关。2. 如果有关，你按下面的要求回答。3. 如果无关，你直接拒绝回答本次问题。回答要求：- 保持答案与中描述的一致。- 使用 Markdown 语法优化回答格式。- 使用与问题{{question}}相同的语言回答。

最后将输出结果返回给**「结束」**节点。

二）提示词定制化分支

过去承接了不少提示词定制化商单，价格在 500 至 3000 元不等。

过去收集需求，通常借助飞书问卷这种方式。

当然，这次搭建了提示词入门学习的智能体，也期待能获得一些定制化提示词的商机。

那我们提前需要准备一个简单的飞书多维表格。

那收集这些需求和联系方式，在扣子的工作流该怎么做呢？

这次我们将接触一个新节点 – 「问答」。主要是帮助我们在工作流中收集用户需求、用户信息，用来获取用户意图。

官方文档：https://www.coze.cn/docs/guides/question_node

问答节点，提供两种收集信息的方式，第一种：直接回答，适合内容不确定，发散的情况。

第二种，选项回答，适合固定的回答方式。

在这个工作流中，我主要需收集 受众、痛点、预期效果 和 微信号。问题较多，我将其分成了 2 次收集。

记得勾选：从回复中提取字段。并且设置需要从回答中提取的关键字段。

这里的原理很简单：借助大模型的语义理解能力，提取用户回答内容中的关键信息。

那么信息收到之后，接下来我们该怎么样传入飞书的多维表格呢？

记得之前教学飞书插件时，示例的数据格式是这样的：

「问答」节点的输出结果肯定不满足这样的格式。

没办法，再转换一次。我们可以利用「代码」节点来转换。

「代码」节点后续再单独解释，这次直接提供参考代码，大家可以参考着改。

async def main(args: Args) -> list:    params = args.params    ret = []    record = {        "微信号":params["wechat"],        "受众人群":params["users"],        "痛点":params["problem"],        "预期效果":params["result"]    }    fields = {        "fields": record    }    ret.append(fields)    return ret

格式搞定后，接下来引入插件 – 飞书多维表格 / add_records：

将插件的关键信息配置好：

app_token 是多维表格的 url 链接
records 来自代码节点转换后的结果

最后传入「结束」节点。测试下工作流，没问题后记得点击发布。

三、搭建 Bot

配置人设与回复，并选择之前创建的工作流。

测试一下效果。

测试定制化提示词的场景。

成功传入飞书。

这次仅仅是为了展示搭建思路，该智能体仍有很大的优化空间。

四、总结

本次我用扣子搭建了一套提示词基础入门的智能体。

利用智能体把需求收集到飞书表格，构建了一整套自动化需求收集流程。

如果我们有一套细分领域的专家智能体，通过这种近乎零成本的方式，就能为我们带来可观的商机。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述