一、知识库
知识库是一个巨大的数据集合。
1、结构化知识库：指数据格式规范、有固定结构、易被机器解析和检索的知识集合，核心特征是 “结构化、强关联、可高效查询”，适合智能体快速精准提取特定知识。
（1）核心存储形式
①关系型数据库（MySQL/PostgreSQL）：以 “表 – 行 – 列” 存储，如电商智能体的商品信息（ID、名称、价格、库存）；
②非关系型结构化库（MongoDB/Redis）：以文档 / 键值对存储，如客服智能体的用户问题 – 答案映射表；
③知识图谱（Neo4j/JanusGraph）：以 “实体 – 关系 – 属性” 的图结构存储，如医疗智能体的 “疾病 – 症状 – 药物” 关联知识；
④表格 / Excel/CSV：轻量结构化形式，如教育智能体的学科知识点清单。
（2）核心优势
①检索效率极高，支持精准的条件查询（如按 ID、属性筛选）；
②知识关联明确，机器可直接理解实体间的逻辑关系；
③易更新、易维护，可通过数据库操作实现知识的增删改查。
（3）适用场景：智能体需要精准提取特定信息的场景，如金融智能体查交易规则、政务智能体查办事流程、工业智能体查设备参数。
2、非结构化知识库：指无固定格式、机器难以直接解析的知识集合，是现实中最常见的知识形式，核心特征是 “形式自由、包含海量语义信息”，需要通过自然语言处理（NLP）进行解析。
（1）核心存储形式
①文本类：PDF 文档、Word、TXT、Markdown、网页文章、行业报告、书籍、聊天记录；
②多媒体类：图片、音频、视频、语音转文字稿（需先转文本再处理）；
③半结构化文本：HTML、XML、JSON（介于结构化与非结构化之间，有基础格式但语义自由）。
（2）核心问题：原始形式无法被机器直接检索和理解，需先通过文本抽取、向量化等处理，转化为机器可识别的形式。
（3）适用场景：智能体需要理解复杂语义、挖掘隐性知识的场景，如法律智能体解析法条文档、科研智能体阅读论文、企业智能体分析行业报告。
3、知识库与RAG的协同管理
（1）、核心痛点：大模型的先天不足大模型的预训练知识存在知识过时（训练数据有时间窗口）、领域知识匮乏（通用模型不精通垂直领域）、易产生幻觉（编造不存在的知识）三大问题，无法直接作为智能体的知识库。
（2）、RAG 的核心价值RAG 是 “检索 + 生成” 的融合技术，核心逻辑是：让大模型在生成答案前，先从外部知识库中检索与问题相关的真实知识，再基于检索到的知识生成答案，而非仅依赖自身预训练知识。
（3）、知识库与 RAG 的协同核心
核心定位：知识库是 RAG 的 “知识来源”，RAG 是知识库的 “调用入口”；
知识库的作用：为 RAG 提供经过整理、校验的领域知识，保证知识的真实性和专业性；
RAG 的作用：为智能体提供 “从知识库中找知识→用大模型加工知识→生成答案” 的端到端能力，让智能体既能利用知识库的海量知识，又能利用大模型的自然语言理解和生成能力；
通俗理解：知识库是智能体的 “书库”，RAG 是智能体的 “图书管理员 + 撰稿人”，图书管理员负责从书库中找相关书籍，撰稿人负责基于找到的书籍写答案。
简单来说：知识库是智能体的 “书库”，RAG 是智能体的 “图书管理员 + 撰稿人”，图书管理员负责从书库中找相关书籍，撰稿人负责基于找到的书籍写答案。
RAG 的工作流分为离线预处理阶段和在线推理阶段，离线阶段是对知识库的 “加工准备”，在线阶段是对用户问题的 “实时处理”，以下是工业级通用的 RAG 工作流，适配 90% 以上的智能体场景。
典型 RAG 工作流框图
【离线预处理阶段】—— 仅需执行1次/知识库更新时执行
非结构化知识库/结构化知识库
↓
步骤1：知识加载（Load）—— 读取各类格式的知识文件
↓
步骤2：知识分割（Split）—— 将长文本切分为短片段（避免大模型上下文超限）
↓
步骤3：知识向量化（Embed）—— 将文本片段转化为数值型向量（嵌入向量）
↓
步骤4：向量存储（Store）—— 将向量和原始文本存入向量数据库
┌─────────────────────────────────┐
│ │
▼ │
【在线推理阶段】—— 对每个用户问题实时执行 <─── 知识库更新时触发离线阶段重跑
用户提出问题（Query）
↓
步骤5：问题向量化（Embed）—— 将用户问题转化为相同维度的嵌入向量
↓
步骤6：相似性检索（Retrieve）—— 向量数据库中检索与问题向量最相似的知识片段
↓
步骤7：知识重排（Rerank）—— 对检索结果排序，保留最相关的Top-N片段（提升精准度）
↓
步骤8：提示词构造（Prompt）—— 将问题+相关知识片段拼接为大模型可识别的提示词
↓
步骤9：生成答案（Generate）—— 大模型基于提示词生成答案（不脱离检索到的知识）
↓
最终答案返回给用户二、插件
1、智能体插件的核心定义
智能体插件是为智能体拓展功能、对接外部资源 / 系统的模块化程序，是脱离智能体本体的独立功能单元，可按需接入 / 卸载，让智能体在基础能力外，快速获得专业领域能力、外部工具调用能力和跨系统交互能力，无需重新训练或重构智能体核心模型。
2、智能体插件的核心特征
（1）模块化：独立开发、独立部署，与智能体核心解耦，单个插件对应一类具体功能，互不干扰；
（2）可插拔：支持灵活接入和卸载，根据智能体的应用场景按需组合插件，实现功能的动态扩展；
（3）适配性：遵循智能体的插件调用协议，能与智能体的核心推理引擎、知识库、交互模块无缝对接；
（4）轻量化：聚焦单一功能开发，体积小、调用效率高，不会过度占用智能体的运行资源。
3、智能体插件的主要类型及应用示例
（1）工具调用类插件：对接各类实用工具，拓展智能体的操作能力，如计算器插件、地图导航插件、文档编辑插件、代码运行插件、邮件发送插件等，例：编程智能体通过代码运行插件直接执行用户编写的代码并返回结果；
（2）领域服务类插件：承载垂直领域的专业能力，补充智能体的领域知识和业务逻辑，如金融行情插件、医疗问诊插件、法律条文解析插件、电商商品查询插件、工业设备监测插件等，例：金融智能体通过行情插件实时获取股票、基金的最新数据并做分析；
（3）数据交互类插件：实现智能体与外部数据库、系统、平台的数据互通，如数据库访问插件、ERP 系统对接插件、知识库同步插件、第三方 API 调用插件等，例：企业智能体通过 ERP 插件直接调取公司的销售、库存数据并生成报表；
（4）多媒体处理类插件：让智能体具备音视频、图片的处理能力，如图片识别插件、语音转文字插件、视频剪辑插件、OCR 文字提取插件等，例：办公智能体通过 OCR 插件提取图片中的文字并整理成文档。
4、智能体插件的核心价值
（1）降低开发成本：无需为智能体开发所有功能，通过接入现成插件快速实现功能拓展，提升智能体的开发效率；
（2）提升场景适配性：可根据不同的应用场景组合不同插件，让同一个智能体适配多领域、多场景的需求，实现 “一核多能”；
（3）便于迭代更新：插件可单独进行版本升级、功能优化，无需修改智能体核心代码，降低智能体的维护难度；
（4）弥补核心能力短板：解决智能体本身在工具操作、实时数据、跨系统交互等方面的不足，让智能体的能力更全面、更实用。
5、插件与智能体的协同逻辑智能体的核心推理引擎负责接收用户需求、分析任务逻辑、判断所需功能，随后根据任务需求自动调用对应的插件，插件完成具体的操作、数据处理 、服务请求后，将结果返回给智能体核心引擎，引擎再对结果进行整合、加工，最终以自然语言的形式向用户反馈，形成 “需求接收 – 插件调用 – 结果处理 – 答案生成” 的完整流程。
三、工作流
1、智能体工作流的核心定义
智能体工作流是智能体接收用户需求后，从需求解析到任务执行再到结果反馈的标准化、自动化处理流程，是智能体整合自身推理能力、知识库、插件工具、外部资源完成目标任务的全链路逻辑，其核心是按预设规则、自主推理实现任务的分步拆解与闭环执行，不同场景的智能体可基于核心流程适配个性化环节。
2、智能体工作流的核心执行步骤
以电商客服智能体处理用户问题 “帮我查一下我买的 XX 卫衣的物流，还没收到货，能不能加急？” 为例，拆解通用工作流的执行过程，该流程适配绝大多数场景的智能体，可按需增减环节
（1）需求接收与解析：智能体通过对话窗口、接口等渠道接收用户自然语言需求，依托 NLP 能力完成意图识别、关键信息提取，本案例中提取核心意图为 “查询 XX 卫衣物流 + 申请物流加急”，关键信息为 “订单商品：XX 卫衣、用户诉求：查物流 + 加急”；
（2）任务拆解与资源匹配：智能体的核心推理引擎将整体任务拆解为可执行的子任务，同时匹配完成子任务所需的资源 与工具，本案例中拆解为 2 个子任务，子任务 1 “查询物流” 匹配电商订单数据库插件，子任务 2 “申请加急” 匹配物流对接插件 + 人工客服对接规则；
（3）子任务执行与资源调用：智能体按拆解顺序自动执行子任务，需调用插件、知识库、外部系统时，发起请求并获取返回结果，本案例中先调用电商订单数据库插件，根据用户信息匹配订单，提取物流单号并查询物流轨迹（结果：快件在 XX 分拣中心，未发出），再调用物流对接插件提交加急申请，插件反馈 “普通快递暂不支持加急，可协调优先分拣”；
（4）结果整合与加工：智能体将各子任务的执行结果进行汇总、筛选、整理，结合自然语言生成能力，转化为用户易懂的表述，同时根据预设规则补充相关建议，本案例中整合结果为 “XX 卫衣物流轨迹：快件目前在 XX 分拣中心待发出；加急申请：普通快递暂不支持加急，已为你协调物流方优先分拣”，补充建议 “预计今日内发出，发出后会同步物流信息，你可随时查问”；
（5）结果反馈与交互闭环：智能体将加工后的结果通过原渠道反馈给用户，若用户有后续追问 / 新需求，自动回到 “需求接收与解析” 环节，形成交互闭环，本案例中向用户发送整合后的物流信息与加急结果，若用户继续问 “什么时候能到”，则再次启动流程拆解新任务。
3、智能体工作流的核心好处
（1）任务处理标准化：通过固定的全链路流程，保证智能体处理同类任务的一致性，避免因无规则执行导致的结果偏差，如所有电商客服智能体查询物流的流程统一，不会出现不同用户查询得到不同格式结果的情况；
（2）提升任务执行效率：实现从需求解析到结果反馈的自动化处理，无需人工介入基础任务，大幅缩短处理时间，如物流查询任务，智能体可秒级响应，远快于人工客服手动查单；
（3）支持复杂任务拆解：能将用户的复杂自然语言需求拆解为多个简单子任务，逐个执行并整合结果，解决单一能力无法完成复杂任务的问题，如用户需求 “查一下我的订单物流，再帮我改一下收货地址，顺便推荐同款不同色的卫衣”，智能体可拆解为查物流、改地址、商品推荐三个子任务并依次完成；
（4）实现资源的高效整合：在流程中可灵活对接知识库、插件、外部系统等各类资源，让智能体的能力形成互补，无需单独开发各类功能，如客服智能体通过插件对接订单库、物流系统、商品库，一站式完成用户的各类基础诉求；
（5）降低人工依赖与运营成本：基础、重复性的任务由智能体按工作流自动完成，人工仅需处理智能体无法解决的复杂问题（如物流丢件、退款纠纷），减少人工工作量，降低企业运营成本；
（6）具备可扩展性与适配性：工作流的各环节为模块化设计，可根据不同场景、不同行业的需求，灵活增减环节、匹配不同资源，如将电商客服智能体的工作流稍作调整，即可适配政务智能体、金融智能体等其他场景；
（7）形成可追溯的任务链路：工作流的每一个环节都有执行记录，可追溯任务的处理过程、资源调用情况、结果生成依据，便于后续的问题排查、流程优化与数据统计，如智能体处理物流查询出错时，可通过流程记录排查是插件调用失败还是信息提取错误。
4、智能体工作流的核心特点智能体工作流并非完全固定的 “硬规则”，部分高阶智能体的工作流具备自主推理调整能力，可根据用户需求的复杂程度、资源的可用情况，自主调整子任务的执行顺序、匹配更合适的资源，如用户需求模糊时，会在 “需求接收与解析” 环节增加 “向用户确认关键信息” 的子环节，再继续后续流程，让工作流更贴合实际的交互场景。