函数计算AgentRun知识库上线，智能体更懂你

首页

AI资讯

热心网友

转载

2026-05-28

阿里云函数计算AgentRun全新知识库功能重磅上线，助力智能体深入理解业务需求，实现精准响应与高效交互。

先说几个核心判断：

1. 知识库功能有效解决了传统智能体缺乏专业领域知识的痛点
2. 深度解析百炼与RAGFlow双知识库引擎的技术实现与配置方法
3. 提供三种灵活集成方式，全面满足不同开发场景需求

阿里云函数计算 AgentRun 正式推出全新知识库功能，为AI智能体注入更强的语义理解与上下文感知能力。通过深度集成百炼知识库与 RAGFlow 知识库，AgentRun 使开发者能够轻松构建具备领域知识的智能应用，真正实现“更懂用户、更贴场景、更高效响应”。

智能体为何需要知识库？

在传统智能体开发中，模型通常依赖通用训练数据，缺乏对特定业务、私有文档或实时信息的理解能力。这导致其在面对专业领域问题、企业内部知识或个性化需求时表现受限。

AgentRun 知识库功能正是为解决这一痛点而设计——它将外部知识源无缝接入智能体运行流程，通过检索增强生成（RAG）技术，让智能体在回答问题、执行任务时动态调用相关知识，大幅提升准确性、专业性与可信度。

双引擎支持：百炼+RAGFlow，覆盖多元知识形态

▍百炼知识库绑定

函数计算 AgentRun 可以绑定您账号下已创建的阿里云百炼知识库。

进入创建页面，输入知识库名称、描述，选择知识库类型为“百炼”，可多选绑定您账号下已在阿里云百炼控制台创建好的多个知识库。填写检索配置后，点击创建知识库，即可将您的阿里云百炼知识库绑定至AgentRun平台。

▍RAGFlow知识库绑定

函数计算 AgentRun 可以绑定您账号下已创建的RAGFlow知识库。如果您还没有RAGFlow知识库，可以在SAE上快速部署创建。

进入创建页面，输入知识库名称、描述，选择知识库类型为“RAGFlow”，填写您已部署RAGFlow的BaseURL、Dataset IDs和API-KEY（将其保存在凭证中）。填写检索配置后，点击创建知识库，即可将您自建的RAGFlow知识库绑定至AgentRun平台。

三大集成方式，灵活适配各类开发场景

函数计算 AgentRun 知识库功能支持快速创建集成、代码集成和MCP集成三种方式，满足不同技术栈和开发习惯。

▍快速创建Agent集成知识库功能

对于希望快速验证想法或加速产品迭代的团队，AgentRun提供了低代码、可视化的知识库绑定能力。开发者只需登录AgentRun控制台，选择已创建的百炼或RAGFlow知识库，将其关联到目标智能体，并配置简单的检索参数（如返回结果数量、相似度阈值等），即可完成集成——全程无需编写一行代码。

这一模式极大降低了技术门槛，让产品经理、运营人员甚至非技术背景的创新者也能参与智能体的构建与优化。无论是搭建内部知识问答机器人、客户自助服务助手，还是快速验证某个垂直领域的AI应用场景，都能在几分钟内完成部署并上线试用。

▍代码集成知识库查询能力

对于追求极致灵活性与控制力的开发者，AgentRun提供了原生代码级知识库接入能力。您可以在代码逻辑中调用AgentRun SDK的知识库检索接口，根据业务上下文动态发起检索请求，精准筛选并注入最相关的信息片段到智能体的推理流程中。您可以使用AgentRun SDK，调用以下封装的接口，进行单知识库查询或多知识库查询。

from agentrun.knowledgebase import KnowledgeBase

## 获取单知识库，进行查询
knowledgebase = KnowledgeBase.get_by_name("ragflow-test")
single_kb_retrieve_result = knowledgebase.retrieve("")
print(single_kb_retrieve_result)

## 获取多知识库，进行查询，支持跨供应商知识库类型检索
multi_kb_retrieve_result = KnowledgeBase.multi_retrieve(
    query="",
    knowledge_base_names=["ragflow-test", ""],
)
print(multi_kb_retrieve_result)

同样，您可以集成LangChain框架，将知识库的查询能力集成在工具或上下文中。

"""AgentRun 知识库智能体集成代码示例
使用前，请参考相关文档配置好相应认证信息和环境变量
"""
import json
import os
from typing import Any
from langchain.agents import create_agent
import pydash
from agentrun import Config
from agentrun.integration.langchain import model
from agentrun.integration.langchain import knowledgebase_toolset
from agentrun.integration.langgraph.agent_converter import AgentRunConverter
from agentrun.knowledgebase import KnowledgeBase
from agentrun.server import AgentRequest, AgentRunServer
from agentrun.server.model import ServerConfig
from agentrun.utils.log import logger

# 请替换为您已经创建的 模型 名称
AGENTRUN_MODEL_SERVICE = os.getenv("AGENTRUN_MODEL_SERVICE", "")
AGENTRUN_MODEL_NAME = os.getenv("AGENTRUN_MODEL_NAME", "")
KNOWLEDGE_BASES = os.getenv("AGENTRUN_KNOWLEDGE_BASES", "ragflow-test").split(",")

if AGENTRUN_MODEL_NAME.startswith("<") or not AGENTRUN_MODEL_NAME:
    raise ValueError("请将 MODEL_NAME 替换为您已经创建的模型名称")

## 加载知识库工具，知识库可以以工具的方式供Agent进行调用
knowledgebase_tools = []
if KNOWLEDGE_BASES and not KNOWLEDGE_BASES[0].startswith("<"):
    knowledgebase_tools = knowledgebase_toolset(
        knowledge_base_names=KNOWLEDGE_BASES,
    )
else:
    logger.warning("KNOWLEDGE_BASES 未设置或未替换，跳过加载知识库工具。")

agent = create_agent(
    model=model(AGENTRUN_MODEL_SERVICE, model=AGENTRUN_MODEL_NAME, config=Config(timeout=180)),
    tools=[
        *knowledgebase_tools,   ## 通过工具集成知识库查询能力
    ],
    system_prompt="你是一个 AgentRun 的 AI 专家，可以通过查询知识库文档来回答用户的问题。",
)

async def invoke_agent(request: AgentRequest):
    messages = [
        {"role": msg.role, "content": msg.content}
        for msg in request.messages
    ]

    # 很多细节，包括知识库检索结果注入，都在这里处理
    # 完整代码可参考AgentRun官方示例

注意：如果您选择了RAGFlow知识库，需要确保您的Agent运行环境和RAGFlow的BaseURL地址处于同一网络环境下，否则AgentRun SDK将无法调用RAGFlow的API实现查询能力。

通过代码集成，AgentRun赋予开发者“全栈可控”的能力——既享受函数计算的弹性与免运维优势，又保留对智能体认知过程的深度掌控，真正实现“知识为我所用，逻辑由我定义”。

▍MCP集成：将知识库检索作为Agent的工具调用

AgentRun知识库率先实现“Agentic RAG”（智能体RAG）模式——将传统静态检索升级为动态、可编程的智能体工具调用。具体而言，用户可一键将知识库发布为MCP，使其成为大语言模型（LLM）可主动调用的工具之一。在此模式下，LLM不再被动接收上下文，而是具备“工具使用能力”，在推理过程中自主判断何时调用RAG、数据库查询、库存检查等工具，并基于返回结果进行多步推理与任务分解。这种机制使RAG从单一检索功能转变为智能体工具箱中的灵活组件，与其他工具并列协作，显著提升复杂任务的处理能力。其工作方式更贴近人类“思考—行动—反思”的认知流程：模型先分析问题，制定计划，再按需调用多个工具获取信息，最终整合结果生成答案。

进入工具管理，在工具市场可以搜索到“AgentRun知识库MCP”工具模板，点击安装后，填写知识库名称和类型，即可将知识库的查询能力一键发布成MCP工具给大模型进行调用。

创建完毕后，点击工具详情，即可看到集成调用的工具地址。

基于MCP工具标准协议，AgentRun支持以标准化方式对接知识库服务，实现跨平台、跨模型的上下文注入能力，保障架构的开放性与可扩展性。

结语：从“能回答”到“真理解”，智能体正在拥有“知识之眼”

AgentRun知识库功能的上线，不仅是一次技术能力的升级，更标志着智能体发展迈入新阶段——从依赖通用语料的“泛化应答”，转向基于专属知识的“情境理解”。当智能体能够随时调用企业文档、行业规范、用户历史甚至实时数据，它便不再只是一个语言模型的接口，而成为一个具备领域认知、上下文记忆与决策依据的数字协作者。

未来，随着知识库的持续进化——支持多模态内容、动态更新、跨源推理——AgentRun将进一步降低构建“有知识、有逻辑、有温度”智能体的门槛。

可以确定的是，真正的智能，不在于模型有多大，而在于是否“懂你所需、知你所问、信你所依”。

AgentRun，正让每一个智能体，学会思考，更学会理解。

来源:https://www.53ai.com/news/RAG/2026021809643.html

免责声明：游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。

上一篇：凌云光股价跌3% 华富基金重仓浮亏9800元下一篇：英伟达GR00T N1开源：人形机器人功能模型技术革新解析