知識搜尋Agent 模板

知識搜尋 Agent 模板提供一套標準化的「檢索＋強化生成 (RAG)」流程，協助您從本地或雲端知識來源中快速搜尋相關內容，並利用大型語言模型產生結構化、精準或摘要式的回覆。透過可視化的流程組裝與預先設定的節點配置，使用者無需撰寫任何程式碼，即可輕鬆建立企業級的知識查詢 Agent。

上圖展示整體流程：使用者輸入 → Query 處理 → 檢索相關內容 → 生成摘要/回答 → 回傳最終回覆與來源引用。

模板用途

此 Agent 模板用來支援「知識庫／企業文件搜尋」場景：使用者輸入問題或關鍵字，Agent 透過檢索 Components 尋找相關內容，再由語言模型產生可信且可追溯的回覆。特別適用於：

用途類型	說明	典型資料來源
企業 FAQ 擴充	員工或客戶常見問答集中管理	FAQ 文件、政策公告
內部知識速查	SOP、制度、法遵條款即時查詢	PDF、Word、Markdown
技術/產品文件搜尋	API、版本更新、操作指南	技術白皮書、版本說明
文件摘要／比較	多篇文件整合總結或差異分析	研究報告、方案提案
客服支援前置	先自動知識檢索，降低人工負載	產品手冊、故障排除流程

流程概要

使用者輸入 →（可選）Query 重寫/擴充 → 向量/索引檢索 → 回傳片段 → LLM 整合生成 → Chat Output 顯示

逐步說明：

1. Chat Input：使用者輸入自然語言問題（此階段僅收集原始意圖，尚未做語意調整；盡量保持輸入簡潔並避免貼入過長未結構化段落）。

2. Query 前處理（可選）：針對原始輸入進行語意強化（抽取關鍵詞、補充同義詞、加入時間/範圍條件、過濾噪音字）。下圖示意：介面提供即時欄位讓使用者或系統在送往檢索前調整 Query，降低語意模糊及提升召回精準度。

   

3. 檢索：經過前處理後的 Query 送入向量或全文檢索節點，取得前 N 個相關片段（含 Metadata：來源、標題、段落位置、相似度分數）。下圖展示檢索與結果整理：重點在片段排序與分數閾值過濾（score_threshold），若結果為空可啟動 fallback（降低門檻或改以關鍵字搜尋）。

   

4. 上下文組裝：檢索片段與 FAQ 結果（若有）被送入 Prompt Template，明確標記各來源區塊與使用者原始問題，確保 LLM 僅在提供的範圍內推論並降低幻覺風險。

5. 回覆生成：LLM 彙整多來源片段，整合為結構化條列（摘要 / 比較 / 直接回答），同時附來源引用以支援追溯與後續審核。圖示顯示條列摘要形成過程。

   

6. Chat Output：輸出最終回答與引用來源（可僅顯示前幾筆以維持清晰），同時保留 session_id 以支援追問或多輪澄清。必要時可在此階段添加「使用者回饋」按鈕以迭代調整檢索策略。

可於 Playground 直接觀察節點資料流，快速迭代調整各參數。

範本節點與設定說明

節點名稱	用途說明	關鍵/建議設定	初學者提示
Start of Flow → Chat Input	入口：使用者自然語言查詢	Input Text 可保持空白供互動輸入	避免一次放過長上下文，改逐步追問
語言模型節點 (Yellow)	初步理解或直接生成（無檢索時 fallback）	model_provider, llm_model, temperature=0.2	先確保 API Key & 部署名稱正確
知識庫搜尋節點 (Green)	執行向量/全文檢索	top_k=4, score_threshold=0.4, 動作=SEARCH_DOCUMENTS	若無結果調低 score_threshold
FAQ Agent 節點 (Pink)	專門 FAQ 流程（可選）	Agent Instructions, Tools=知識庫搜尋節點	專門回答常見問題，縮短回覆時間
Prompt Template 節點	動態組裝上下文	Template 可含 {FAQ} {Knowledge} {Question}	加上「請引用來源」提升可信度
Current Date 節點	注入當前日期/時間	Action=GET_CURRENT_DATE	用於時間敏感問題（例如「今年」）
Chat Output	最終回覆呈現	show_sources=true, response_format=default	測試不同格式是否易讀

若流程中同時存在 FAQ Agent 與一般 Knowledge 檢索，可在 Prompt Template 中清楚區分兩者來源避免混淆。

核心組件總覽

類別	Components	功能	典型錯誤	調整策略
輸入	Chat Input	收集使用者問題	過長上下文導致 Token 浪費	切分上下文、保留關鍵詞
前處理	Query Preprocessor	重寫/擴充 Query	重寫後語意偏離原意	限制重寫策略為 keyword+synonym
檢索	Vector / Document Search	找出相關片段	無結果或全是噪音	調整 top_k / score_threshold
生成	LLM / Agent	組合片段 + 回覆	幻覺、不引用來源	降低 temperature + 強制引用指令
組裝	Prompt Template	建構 LLM 輸入	變數遺漏或格式難讀	使用明確區塊與標題分隔
輸出	Chat Output	呈現回覆 + 來源	來源過多顯示雜亂	限制來源顯示前 N 個

使用步驟（快速上手）

1. 選擇模板

在「使用模板」面板中挑選「知識搜尋 Agent」，匯入後於 Flow 編輯器展開查看各節點連線。

2. 配置模型節點

輸入模型提供者參數（API Key、Endpoint、部署名稱，例如 gpt-5-mini），將 temperature 先設為 0.2 確保穩定。

3. 配置知識庫節點

設定資料來源（如 Astra DB Financial 資料庫），選擇檢索動作 SEARCH_DOCUMENTS 或向量模式 AS_VECTOR_STORE。確認已完成文件嵌入。

4. 調整 Prompt Template

範例：

_10

請根據以下資料：

_10

1. FAQ 節點結果：`{FAQ}`

_10

2. 檢索片段摘要：`{Knowledge}`

_10

3. 使用者問題：`{Question}`

_10

請以條列方式回覆，並引用來源（格式：來源:檔名）。若無相關資訊請明確回覆「目前知識庫沒有相關資料」。

5. Playground 測試

輸入測試查詢：

公司過去一年財務報告中有關 SaaS 收入增長的部分？

檢查：

• 檢索節點是否有返回片段？
• Prompt Template 組裝內容是否包含所有變數？
• 回覆是否含來源且無離題內容？

6. 調整與迭代

若結果不理想可調整：

• top_k（增加召回或降低噪音）
• score_threshold（過高導致無片段，過低導致雜訊）
• Prompt 語氣（要求「僅根據提供內容回答」）
• temperature（提高可讀性或創意，降低可靠性風險）

7. 部署整合

驗證穩定後，可將整個 Flow 部署至內部聊天介面或外部應用程式，支援即時查詢。

重要參數說明（速查表）

類別	參數	說明	建議初始值
檢索	top_k	返回片段數量	4
檢索	score_threshold	相似度最低分門檻	0.35~0.5
模型	temperature	創造性/穩定性調節	0.2~0.5 (知識型)
模型	max_tokens	回覆最大長度	512~1024
摘要	summary_style	輸出風格（concise, detailed, bullet）	concise
輸出	show_sources	是否顯示來源	true
會話	session_id	區分不同使用者上下文	自動或外部注入

注意事項與建議

1. 建立文件前先做「段落切分 + 嵌入」確保粒度適中（100~400 tokens）。
2. 對高頻欄位（如標題、標籤）加權或建立 metadata 索引提升精準度。
3. 使用 Query 重寫可降低使用者語意模糊造成的檢索落差。
4. 開啟來源引用讓使用者信任結果並便於追溯。
5. 適時限制模型溫度，避免「幻覺」生成與不實推論。

擴充方向

• 加入「意圖分類」先判斷使用者需求（查詢/摘要/比較）。
• 整合結構化資料（例如資料庫查詢結果）與非結構化文件再融合回答。
• 增加快取層（對熱門 Query 回覆做暫存）。
• 併入評分/回饋機制來持續優化檢索與回答品質。

模板應用場景範例

場景	使用者行為	典型價值
公司內部 FAQ	員工查詢政策/福利/IT 流程	降低人力回覆成本
文件檢索輔助	查詢研究報告或技術白皮書摘要	快速定位重要段落
客服前置支援	客戶提問產品細節先自動檢索	縮短等待時間
內部培訓助手	詢問教材內容或題目解析	強化學習效率
法規與合規查核	查詢條款是否符合最新規範	降低風險

下一步

1. 將您的內部文件批次嵌入至向量資料庫。
2. 針對高頻問題做 Prompt 精調與範例 Few-Shot。
3. 若需要更高可觀測性，可串接 Logging 與 Monitoring Components。
4. 查看其他模板（例如：內部人資Agent）以建立跨部門知識共用方案。

---

若您已完成初次部署，建議前往「開發 → 使用 AgentBuilder 資料類型」了解 Message 與 Metadata 的結構以支援更進階分析。