Coze怎么添加知识库？让AI Agent学会查资料

我们之前有聊如何写好AI的提示词，通过精心设计的提示词，让AI能够理解我们的需求，并用合适的语气和逻辑来回应。

但是，问题来了：

• 当用户问：”你们新款产品的功率参数是多少？”
• 当员工问：”今年的年假政策有什么变化？”
• 当客户问：”之前有类似的项目案例吗？怎么解决的？”

Agent能回答吗？如果它不知道这些信息怎么办？

所以，这里就涉及到知识库的概念了。

那么这篇内容，我们还是用Coze为平台，来聊聊知识库的一些用法：

①理解：为什么Agent需要”查资料”才能回答准确

②识别：哪些信息适合放入知识库

③体验：在Coze中创建第一个知识库

④应用：马上在工作中使用知识库功能

下面咱们用「ChatGPT / 纯对话模型」对比「接了知识库的 Agent」，理解一下差异（并非否定通用大模型的能力哈）。企业私有、最新、可引用的信息，通常要靠 知识库（检索） 或 插件/API 接入，而不能假设模型「本来就知道」。

一、大模型的”知识盲区”

场景案例1：产品咨询

用户问题：”你们新款激光切割机的功率参数是多少？”

对比	ChatGPT的回答	有知识库的Agent
回答质量	“抱歉，我无法获取具体产品参数…”	“根据产品手册，新款激光切割机功率为：主电机功率15kW，辅助功率3kW…”
原因分析	训练数据里没有你们公司的产品信息	从知识库中检索到了准确的产品手册
用户体验	❌ 失望，需要找人工客服	✅ 满意，立即得到准确信息

场景案例2：公司政策

用户问题：”今年的年假政策有什么变化？”

对比	ChatGPT的回答	有知识库的Agent
回答质量	“一般公司年假政策是…”（可能过时或错误）	“根据最新修订的《员工休假管理办法》，主要变化有：1. 工龄满3年年假增加… 2. 新增育儿假…”
原因分析	训练数据有截止时间，且通常不包含你们公司内部的最新政策	从知识库中检索到了最新的政策文件
用户体验	❌ 可能被误导	✅ 获得准确、合规的信息

场景案例3：案例分析

用户问题：”之前有类似的项目案例吗？怎么解决的？”

对比	ChatGPT的回答	有知识库的Agent
回答质量	“根据一般经验…”（可能编造）	“参考2023年XX项目案例：客户需求… 解决方案… 最终效果…”
原因分析	不知道你们公司的真实案例	从案例库中检索到了真实的历史案例
用户体验	❌ 不信任，觉得是套话	✅ 有参考价值，增强信任感

从上面三个案例，就会发现LLM会存在几个问题：

①截止日期：大模型的训练数据有截止时间

②记忆有限：不可能记住所有公司的所有信息

③无法更新：训练后就不能修改知识

这个时候，我们就需要知识库了。知识库，相当于是给Agent的外挂”资料库”

你的Agent = 会说话的大脑（提示词）
           ↓
      + 外挂资料库（知识库）
           ↓
      更聪明、更准确的回答

就像给一个聪明的助手配了一个随身携带的”工作手册”，遇到问题随时翻看，而不是全靠记忆。

二、知识库适合放什么内容？

类型	具体举例	为什么适合	价值体现
产品手册	– 功能说明书 – 技术参数表 – 使用指南 – 安装手册	相对稳定，不会频繁变化	准确回答产品相关问题，减少客服压力
FAQ常见问题	– 客户常见问题 – 员工常见问题 – 技术支持问题	问题固定，答案标准	快速响应高频问题，24小时自助服务
政策文档	– 规章制度 – 流程说明 – 操作规范 – 合规要求	需要准确、统一执行	确保信息准确合规，避免人为解释偏差
案例库	– 成功案例 – 解决方案 – 经验总结 – 教训复盘	真实历史，有参考价值	提供经验借鉴，避免重复踩坑
培训资料	– 知识体系 – 方法论 – 操作指南 – 学习材料	结构化知识，便于学习	辅助新员工培训，统一知识标准
标准文档	– 模板文件 – 规范要求 – 检查清单 – 报告格式	标准化输出，保证质量	统一工作标准，提高工作效率

不适合放入知识库的内容：

类型	具体举例	为什么不适合	更好的方案
频繁变化的数据	– 实时库存 – 最新价格 – 当前订单状态	知识库更新有延迟	用API查询：连接ERP/CRM系统
需要计算的数据	– 报表统计 – 数据分析 – 复杂计算	知识库只能”查”，不能”算”	用工具计算：Excel插件或计算节点
敏感信息	– 密码密钥 – 个人隐私 – 商业机密	安全风险大	权限控制：需要时才查询，不存储
超大文档	– 整本书籍 – 多年历史数据 – 完整数据库	一次加载不完，检索慢	分段处理：按章节或主题拆分

三、知识库 vs 提示词 vs 插件

有朋友会问，知识库 vs 提示词 vs 插件这三个概念到底有什么区别，我应该用什么。

1.三种来源对比

方式	适用场景	特点	Coze实现位置	更新频率
提示词	– 角色设定 – 回答风格 – 固定规则 – 基础知识	稳定、快速、零延迟	Agent编辑页的”提示词”区域	手动修改
知识库	– 产品手册 – 政策文档 – 案例库 – FAQ	灵活、可更新、支持检索	“知识库”模块，上传文档	定期更新
插件/API	– 实时数据 – 外部系统 – 动态计算 – 网络搜索	动态、实时、准确	“插件”或”API”节点	实时查询

2.实际应用场景分析

场景：客户咨询激光切割机价格

方案1：只用提示词

提示词："我们是XX激光，产品价格请咨询销售"
问题："20kW激光切割机多少钱？"
回答："我们是XX激光，产品价格请咨询销售"

①优点：简单稳定。

②缺点：无法提供具体信息，客户体验差

方案2：只用知识库

知识库：包含**历史**价格表（需定期更新）
问题："20kW激光切割机多少钱？"
回答："根据2023年价格表，20kW基础款38万元"

①优点：提供具体信息

②缺点：价格可能已过时

方案3：知识库+插件组合

知识库：产品参数、配置说明
插件：实时查询ERP系统价格
问题："20kW激光切割机多少钱？"
回答："20kW激光切割机（基础款），当前促销价36.8万元，包含..."

①优点：信息全面准确

②缺点：配置稍复杂

3.如何选择用哪个

四、在Coze创建第一个知识库

我们以Coze平台为例，来讲讲如何在coze创建一个知识库

Step 1：新建知识库

我们在coze创建知识库，在创建页面，可以看到coze知识库支持的文件类型

可以上传本地文档、自己编辑自定义内容、在线网页内容、甚至可以直接连公众号、notion和飞书的内容

比如我们创建一个叫“公司政策知识库”

Step 2：添加内容到知识库

在创建好的知识库，点击添加内容，上传我们的文档材料。

比如我上传一份公司的差旅报销管理规定的pdf政策文件

Coze 会自动完成文档解析与切片（把长文档拆成便于检索的小段，后续用户提问时会按相关性召回，这就是 RAG 检索的基础），生成知识库内容。

Step 3：关联到AI Agent

单独有一个知识库还没法用，我们需要把这个知识库关联到我们的agent里。

在agent配置的页面，我们在“知识”模块这里，添加我们刚才创建的知识库就好。

Step 4：测试问答

在右边会话框进行测试。

发送我们需要问的问题即可。

比如“出差餐补是多少”

agent会调用知识库，在我们上传的政策文档内，找到对应的内容并回复我们

以上就是在coze中，一个知识库的创建和使用的简单全流程。

如何更好的设置知识库，以及知识库里有哪些配置项需要我们注意，这个我们以后再单独详细说。

所以看完以上内容，我们就知道了知识库在 AI Agent 里的作用，也完成了 Coze 里的 四步法：创建知识库 → 添加内容 → 关联 Agent → 测试优化。

知识库的优点对业务同学很实在：

• 提高效率：常见问答可 7×24 自动响应
• 提高准确性：尽量基于你上传的文档回答，减少「凭空编造」
• 统一口径：不同人问到同一政策，得到一致说法
• 释放人力：把客服/HR 从重复答疑里解放出来

知识库不是「建一次就完事」，而是需要持续更新的知识资产——文档变了，就要同步更新或重新上传。

投入：约 1～2 小时搭建第一个知识库

产出（示意）：

- 大量减少重复性咨询

- 提升回答可信度与客户/员工满意度

- 让员工把时间用在更复杂、更需要判断的事情上

当然接了知识库并不等于 100% 不错。文档质量、切片方式、召回条数、是否开启引用来源等，都会影响效果，我们后面再继续详细讲，知识库怎么搭更稳\*\*，\*\*让你的 Agent 不仅能查资」，而且查得准。

---

相关阅读

• Coze提示词怎么写？五个要素+调试管理实操
• RAG是什么？业务人员也能读懂的AI查资料原理
• AI客服回答不好？4个技巧让知识库真正好用