【AI基础专题】知识库

发表于 2026-06-22 更新于 2026-07-08 分类于 AI 阅读次数：

我们的 Agent 框架已经具备了工具调用和多 Agent 编排能力，但它有一个短板：Agent 的能力完全确定于大模型本身。如果你想让大模型和你的实际场景更契合，比如让他回答你关于项目内部文档、业务规则、API 变更记录等问题，Agent 完全无法胜任。

所以本小节引入了RAG（Retrieval-Augmented Generation）的概念，不把所有知识塞进 prompt，而是让 Agent 在需要时自己去查。

整个流程的核心思想很简单：

1	用户提问 → Agent 判断需查资料 → search_knowledge(查询) → 文档匹配 → 注入上下文 → 生成回答

下面我们一步步实现。

第一步：KnowledgeBase 类 —— 文档加载与检索

首先需要一个能加载文档、分块、检索的类。为了保持简单，我们采用 markdown 文件 + 关键词匹配 的轻量方案。

文档分块策略

知识库放在项目根目录的 knowledge/ 下，每个 .md 文件就是一个知识来源。加载时按 ## 二级标题自动分块：

// 伪代码：文档加载与分块
class KnowledgeBase {
  chunks: Chunk[] = [];

  async load(dir: string) {
    // 1. 扫描 knowledge/ 下所有 .md 文件
    const files = fs.readdirSync(dir).filter(f => f.endsWith('.md'));

    for (const file of files) {
      const raw = fs.readFileSync(path.join(dir, file), 'utf-8');

      // 2. 按 "## " 标题拆分为独立块
      const blocks = raw.split(/(?=^## )/m);
      for (const block of blocks) {
        this.chunks.push({
          source: file,        // 来源文件名
          content: block.trim() // 块内容
        });
      }
    }
  }
}

markdown 的二级标题天然代表了”一个独立的知识点”——每个章节通常讨论一个主题，语义完整，不会在句子中间截断。

关键词检索

检索算法直接让DeepSeek自己生成。

// 伪代码：关键词搜索
search(query: string, topK: number): Chunk[] {
  // 1. 分词：按标点/空白拆分，过滤掉单字
  const keywords = query.split(/[\s,，。！？：；、]+/)
    .filter(w => w.length > 1);

  // 2. 为每个文档块打分
  const scored = this.chunks.map(chunk => {
    let score = 0;
    for (const kw of keywords) {
      // 标题行命中 → 加权 ×3
      if (chunk 的标题行包含 kw) score += 3;
      // 正文命中 → 每次出现 +1
      score += (chunk.content 中 kw 出现的次数);
    }
    return { chunk, score };
  });

  // 3. 按分数降序，取前 topK 个
  return scored
    .filter(s => s.score > 0)
    .sort((a, b) => b.score - a.score)
    .slice(0, topK)
    .map(s => s.chunk);
}

这个算法的优点是简单透明，对于demo来说已经够用。

第二步：把知识库暴露为 Agent 工具

有了 KnowledgeBase 类，下一步是把它封装成 Agent 可以调用的工具。沿用 Tool 接口：

// 伪代码：search_knowledge 工具
const searchKnowledgeTool: Tool = {
  name: 'search_knowledge',
  description: '在本地知识库中搜索与查询相关的文档片段。' +
               '当你需要查找项目文档、技术说明、业务规则时使用。',
  parameters: {
    type: 'object',
    properties: {
      query: { type: 'string', description: '搜索关键词或问题' }
    },
    required: ['query']
  },
  execute: async (args) => {
    const results = knowledgeBase.search(args.query, 3);
    if (results.length === 0) {
      return `未找到相关知识。当前知识库概览:\n${knowledgeBase.summary()}`;
    }
    // 将结果格式化为 LLM 易读的文本
    return results.map((r, i) =>
      `--- 结果 ${i+1} (来源: ${r.source}) ---\n${r.content}`
    ).join('\n\n');
  }
};

同时提供 list_knowledge 工具，让 Agent 可以”先看看知识库里有什么，再决定搜什么”：

// 伪代码：list_knowledge 工具
const listKnowledgeTool: Tool = {
  name: 'list_knowledge',
  description: '列出知识库中所有文档及其章节标题。',
  parameters: { type: 'object', properties: {}, required: [] },
  execute: async () => knowledgeBase.summary()
  // summary() 输出类似：
  // "知识库包含 1 个文档:
  //   - Agent 工具调用流程 (llm-to-agent-guide.md)
  //   - 子 Agent 管理 (llm-to-agent-guide.md)
  //   - 知识库功能 (llm-to-agent-guide.md)"
};

第三步：集成到工具注册表

工具注册表采用与 sub-agent 工具相同的模式——将知识库工具加入 baseTools，这样所有 Agent（包括子 Agent）都能使用：

// 伪代码：工具注册 (src/tools/registry.ts)
import { knowledgeTools } from '../knowledge/search-tool.js';

// 基础工具 — 所有 Agent 都能用
const baseTools: Tool[] = [
  weatherTool,
  calculatorTool,
  guessTool,
  ...knowledgeTools  // ← 新增
];

// 完整工具 — 只有主 Orchestrator 能用
const allTools: Tool[] = [...baseTools, ...subAgentTools];

最后在入口文件中初始化知识库：

// 伪代码：入口初始化 (src/index.ts)
import { knowledgeBase } from './knowledge/knowledge-base.js';

await registerHooks();
await knowledgeBase.load();  // ← 启动时加载知识库
console.log(knowledgeBase.summary());

到这里，知识库功能就完整集成了。整个流程在 Agent 的 run() 方法中自然串联：

用户: "告诉我这个项目的 Agent 循环怎么工作"
  → LLM 判断: 需要查资料
  → LLM 生成 tool_call: search_knowledge("Agent 工具调用流程")
  → Agent 执行工具 → 检索 knowledge/ 目录
  → 工具返回匹配的文档块，注入上下文
  → LLM 基于文档块生成准确回答

复盘

当然，这是最简单的实现，在需要的时候通过tools去查询。还有一种做法是将知识提前注入到System prompt或者user message。当然，在拓展一下，也可以双管齐下，静态部分的知识注入上下文，动态部分提供工具被动查询。