智能知识库调优

本篇文章介绍如何基于AgentCraft构建智能知识库以及进行效果调优， 其中知识库的问答效果是最被关注的，决定着该类应用的成功失败，当前业内基于RAG技术做了非常多的技术上的优化，期望来提升知识库的问答效果，AgentCraft内置了一个基础的RAG模型，本篇文章不准备深入这项技术去探讨知识库的效果优化， 而是从数据源和反馈校正两个方向来提升知识库的问答效果

数据预处理

数据高质量能够提升问答效果这是一个业内的共识，大多数用户的非结构化数据可能包含非常的的无效数据，我们可以首先用AgentCraft构建一个清晰数据的智能体，然后利用这个智能体进行数据清洗，再把返回的数据重新写入数据库

QA 提取智能体设置

将输入的内容进行QA对提取， 结果输出为json，json的格式如下：

[
    {
        "question": "山西老陈醋的主要原料是什么?",
        "answer": "山西老陈醋的主要原料是高粱、麸皮、谷糠和水。"
    },
    {
        "question": "山西老陈醋的酿造工艺特点是什么?",
        "answer": "山西老陈醋的酿造工艺特点是以高粱为主的多种原料配比,以红心大曲为主的优质糖化发酵剂,低温浓醪酒精发酵,高温固态醋酸发酵,熏醅和新醋长期陈酿。"
    }]
注意只输出json结果，不要有其他的额外字符

(第一次创建无反应，请刷新页面) 输入 输出

注意，上面是用了chat的方式进行演示，实际上我们在业务生产的时候，想实现自动化还是使用api的方式，因此，我们可以通过智能体的接入访问获得api，然后把他集成到自己的处理流程中

反馈校正

基于智能系统的问答结果可以从历史记录中查看，我们可以根据结果的反馈去校正原始的数据信息，以及可以加入一些明确的QA问答，来不断地收敛问答的失败率，最后达到一个较好的问答效果。 比如我们提问”AgentCraft有哪些使用场景“，如果问题不符合我们的预期，我们可以有两种方式进行修正

修改文章知识库的源数据

去掉多余的文章内容，接下来我们再次测试看效果：

修改进准问答的数据

因为进准数据的召回权重大于文档数据，当我们希望命中一个精准问题的时候给定优化的答案，我们可以引入精准问答，比如我们先提问，AgentCraft的特色有哪些，看一下常规的答案： 这个问题回答的比较泛，并不出彩，我们希望AgentCraft能够更加形象具体的回答这个问题，这个时候可以增加一个精准类的数据集 创建好数据集我们将其关联到智能体，重新提问 可以看到，针对这个精准的问题，AgentCraft可以给定精准的答案，我们的答案设定不仅仅是纯文本，甚至是丰富的图文展示