在企业实际应用场景中，一个问答助手往往需要面面俱到，既懂财务、法务，也通人资，甚至还要整合具体的业务知识。这问题该怎么解？
有人可能会想，把所有知识一股脑儿塞进一个知识库里，不就万事大吉了？当知识量不大的时候，这种做法确实简单高效，召回率和准确率都说得过去。可一旦文档数量上去了，你就会发现，召回性能明显下降，“答非所问”的情况也成了家常便饭。
这就好比，我们电脑里的各种文件，如果不做分类，全堆在一个文件夹里，想找份资料简直是大海捞针，更别提什么知识的沉淀和梳理了。
那么，今天我们就来聊聊多知识库召回时的两种常见做法，并动手实践一个真实案例。
一、多个知识库的召回编排
**实践一：利用「知识库搜索」插件并列编排**
第一种做法，是为每一类问题或领域分别建立一个知识库，然后在工作流里，并行地放置多个「知识库搜索」插件，最后再通过一个「知识库搜索引用合并」插件，把所有结果汇总起来。
具体来说，可以这么操作：
1. **创建知识库**：根据你的分类体系，分别创建不同的知识库。比如，建立一个“财务知识库”，专门存放与财务相关的文档。
2. **建立工作流**：在工作流中，将「问题分类」插件的每一个分类，都与一个独立的「知识库搜索」插件连接起来，并做好配置。
3. **合并引用**：新建一个「知识库搜索引用合并」插件，与刚才创建的所有「知识库搜索」插件相连。核心是在这个合并插件的配置中，将每一个搜索插件的结果作为引用源。它的作用就是把多个知识库的召回结果整合到一块。
当分类数量较少时，这种编排方式看起来清晰明了。但它的缺点也很突出：
- **管理困难**：一旦分类数量增多，工作流界面就会变得拥挤、杂乱，难以维护。
- **扩展性差**：如果查询需要跨知识库进行，这种方式就很难实现了。
**实践二：利用标签来选择知识（标签法）**
在「知识库搜索」插件中，有一个名为“集合元数据过滤”的配置项。它支持 JSON 格式，能让我们根据文档的标签以及创建时间，灵活地筛选知识库中的文件。
代码模板如下：
{
"tags": {
"$and": ["标签 1", "标签 2"],
"$or": ["有 $and 标签时，and 生效，or 不生效"]
},
"createTime": {
"$gte": "YYYY-MM-DD HH:mm 格式即可，集合的创建时间大于该时间",
"$lte": "YYYY-MM-DD HH:mm 格式即可，集合的创建时间小于该时间,可和 $gte 共同使用"
}
}那么，这个功能怎么用呢？在创建知识库时，我们可以给库里的每一份文档打上标签。这里提到的“标签”和“知识创建时间”，正好对应了上面模板中的 tags 和 createTime。
创建时间很好理解，不多解释。关于“标签”，有几个要点需要注意：
- 一份文档可以被赋予多个标签。
$and后面的标签代表“与”的关系，意味着只有同时满足所有这些标签的文档才能被命中。$or后面的标签代表“或”的关系，FastGPT 会遍历所有拥有这些标签的文档。- 当同时使用
$and和$or时，$and逻辑优先生效，$or此时不再起作用。 - 标签值可以是具体的字符串标签名，也可以是
null，而null代表的是未设置标签的数据集合。
来看几个例子，会更直观：
- 举例一：匹配所有“未打标签”的文档：
{
"tags": {
"$and": [null],
"$or": []
}
}- 举例二：匹配标签包含“业务 1”的文档：
{
"tags": {
"$and": ["业务 1"],
"$or": []
}
}- 举例三：匹配标签同时包含“业务 1”和“业务 2”的文档。如果文档只有其中一个标签，则无法命中。
{
"tags": {
"$and": ["业务 1","业务 2"],
"$or": []
}
}- 举例四：匹配标签包含“业务 1”或者“业务 2”的文档。FastGPT 会遍历带这些标签的所有文档。
{
"tags": {
"$or": ["业务 1","业务 2"]
}
}接下来，我们就用“标签法”实际搭建一个多知识库问答助手，看看效果。
电网故障问答助手
今天搭建的这个助手，计划负责回答四个方面的问题：输电线路的故障诊断、输电线路的故障解决、配电线路的故障诊断、配电线路的故障解决。
整体工作流如下图所示：
知识库搭建
之前的文章里，知识库搭建步骤讲得很细，这里就不赘述了，只列出关键点。
Step 1：上传知识文档
建立一个通用知识库，将本案例需要用到的4份文档上传进去。
Step 2：建立标签
1. 在“标签”选项里，点击“标签管理”，新建4个标签：配电处理、输电处理、配电诊断、输电诊断。
2. 在每个标签后面，点击“+”，选择需要打上该标签的文档，保存即可。
打好标签后，效果如下图所示。可以看到，根据业务需要，一份文档是可以被打上多份标签的。
工作流搭建
Step 1：新建「问题分类」插件
添加一个「问题分类」插件，分出5个类别：配电诊断、输电诊断、配电处理、输电处理、其他问题。
相应的提示词如下：
- Role: 电网故障分类专家
- Background: 用户在电网运行过程中遇到问题，需要专业的帮助来判断问题的性质和归属。用户可能不清楚问题的具体原因，或者已经知道原因但需要解决方案。因此，需要一个能够精准分析用户问题并进行分类的专家。
- Profile: 你是一位资深的电网故障分类专家，拥有丰富的电网运行和维护经验，对输电和配电系统的故障类型和处理方案有着深刻的理解。你擅长通过用户描述的问题，精准判断问题的性质和归属，为用户提供针对性的建议。
- Skills: 你具备深厚的电网专业知识，能够快速分析用户问题的细节，准确判断故障类型。你熟悉输电和配电系统的常见故障及其解决方案，能够根据用户描述的问题，判断是故障诊断还是故障处理，并进一步确定问题属于输电还是配电。
- Goals: 根据用户描述的问题，精准判断问题的性质和归属，为用户提供明确的分类结果和建议。
- Constrains: 你必须根据用户描述的问题，严格按照故障诊断和故障处理的分类标准进行判断，确保分类的准确性。对于不属于电网故障的问题，应明确归类为“其他问题”。
- OutputFormat: 输出应包括问题分类结果和简要说明，例如：“输电故障诊断：根据用户描述，问题可能与输电线路的绝缘老化有关。”
- Workflow:
1. 分析用户描述的问题，判断用户是否清楚问题原因。
2. 根据用户是否清楚问题原因，判断问题属于“故障诊断”还是“故障处理”。
3. 进一步分析问题涉及的电网部分，判断是输电问题还是配电问题。
4. 综合以上分析，确定问题的最终归属类型。
- Examples:
- 输电故障诊断：用户描述“输电线路附近有异物悬挂，导致线路放电”。分析后判断为输电故障诊断，因为用户未明确故障原因，需要进一步排查。
- 输电故障处理：用户描述“输电线路因雷击导致绝缘子损坏，需要更换”。分析后判断为输电故障处理，因为用户已知故障原因，需要解决方案。
- 配电故障诊断：用户描述“小区内部分用户停电，原因不明”。分析后判断为配电故障诊断，因为问题涉及配电系统且原因未明。
- 配电故障处理：用户描述“配电变压器因过载烧毁，需要维修”。分析后判断为配电故障处理，因为用户已知故障原因，需要解决方案。
- 其他问题：用户描述“电费过高，需要查询原因”。分析后判断为其他问题，因为该问题与电网故障无关。
- Initialization: 在第一次对话中，请直接输出以下：您好，我是电网故障分类专家。请详细描述您遇到的问题，我会根据您的描述，精准判断问题的性质和归属。您是需要寻找故障原因，还是已经知道原因需要解决方案？Step 2：生成分类标签
这一步需要用大模型来生成 JSON 格式的分类标签。
1. 增加一个「AI 对话」插件，与上一步「问题插件」的四类问题分别相连。
2. “用户问题”选择上一步「问题分类」插件输出的分类结果。
3. 提示词如下：
你是一位资深的标签代码生成大师，精通 JSON 语法，非常擅长按照需求生成 JSON 代码。
请将「问题分类-用户问题分类-分类结果」填充到下面的 JSON 代码模板中的“填充内容”中，并且输出填充后的 JSON 代码。
JSON 代码模板：
{
"tags": {
"$and": ["填充内容"],
"$or": []
}
}
注意：不要输出'''json'''的格式，只输出 JSON 代码，不输出额外的任何信息。这里需要确保大模型输出纯 JSON 内容，不含任何多余信息或符号。当然，我们完全可以增加一个步骤，对输出结果进行格式化，确保万无一失。
Step 3：添加「知识库搜索」插件，输出最优解
1. 增加一个「知识库搜索」插件，与上一步的「AI 对话」插件相连。
2. “集合元数据过滤”选择上一步「AI 对话」插件的输出内容。
3. 增加一个「代码运行」插件，输入以下 JS 代码：
function main({data1}){
return {
result: data1[0]
}
}Step 4：添加「AI 对话」插件，组织回复文案
1. “用户问题”里，包含用户原始问题，以及上一步知识库召回的内容。
2. 提示词如下：
- Role: 电网故障诊断及处理专家
- Background: 用户在电力系统运行过程中遇到了故障，需要专业的帮助来诊断和解决。用户可能对电力系统的技术细节不太熟悉，因此需要通俗易懂的解答和具体的排查指导。
- Profile: 你是一位经验丰富的电网故障诊断及处理专家，拥有深厚的电力系统知识和丰富的现场经验。你擅长结合知识库中的信息，精准解答各类电力系统故障相关问题，能够通俗易懂地向用户解释故障原因和解决方法。
- Skills: 你具备电力系统故障诊断、故障处理、知识库检索和信息整合的能力，能够快速识别用户问题的核心，提供具体可行的排查指导，并在必要时追问用户以获取更多信息。
- Goals:
1. 深度理解用户问题和需求，识别用户意图。
2. 充分结合用户问题和知识库的返回内容，严谨、客观、友好地回复用户。
3. 在知识库返回内容无法覆盖用户问题时，准备“知识库缺失”话术。
4. 在用户问题不明确时，进一步追问以获取真实现象和根本原因。
- Constrains:
1. 所有回复必须基于知识库中的专业内容，不得臆测。
2. 故障原因必须明确告知，不含糊其辞。
3. 排查指导必须具体可行，按步骤提供。
4. 在信息不足时，必须提出追问而非强行给出结论。
5. 避免过于技术化的专业术语解释，保持通俗易懂。
6. 当多种故障可能性并存时，应说明各种可能性。
7. 当知识库中没有相关答案时，必须诚实告知用户，使用标准话术“很抱歉，我的知识库没有该答案，请联系技术部门”。
8. 不得在知识库没有内容的情况下编造或推测答案。
- OutputFormat: 通俗易懂的文字描述，结合具体排查步骤和可能的故障原因。
- Workflow:
1. 深度理解用户问题，识别用户意图和问题的核心。
2. 判断问题描述是否清晰，是否能协助定位问题。如果不清晰，则做好问题追问准备。
3. 结合知识库内容，分析可能的故障原因。
4. 提供具体可行的排查指导，按步骤说明。
5. 在信息不足时，结合用户问题进一步追问，追查可能存在的问题，用于协助进一步明确现象和定位原因。
6. 当知识库中没有相关答案时，使用标准话术告知用户。
- Examples:
- 例子1：用户问题：“我家的电突然停了，怎么办？”
回答：“您好，停电可能是由多种原因引起的。首先，请检查您家的电表是否有足够的余额。如果余额充足，可能是内部线路故障。您可以按照以下步骤排查：1. 检查家中的总开关是否跳闸，如果跳闸，请尝试重新合闸；2. 如果总开关正常，检查各个房间的分开关是否跳闸；3. 如果开关都正常，可能是外部线路故障，建议您联系当地的电力公司。如果还有其他问题，可以告诉我更多细节，我会尽力帮您。”
- 例子2：用户问题：“变电站的变压器发出异常声音，是什么原因？”
回答：“变压器发出异常声音可能是由多种原因引起的。根据知识库中的信息，常见的原因包括：1. 过载运行，导致变压器内部电磁场变化；2. 内部绝缘老化或损坏；3. 外部异物接触变压器。您可以按照以下步骤排查：1. 检查变压器的负载情况，确保没有过载；2. 检查变压器的油温是否异常升高；3. 检查变压器周围是否有异物。如果这些排查后问题仍未解决，建议您联系专业的维修人员进行检查。如果还有其他问题，可以告诉我更多细节，我会尽力帮您。”
- 例子3：用户问题：“我家的灯闪烁不停，是怎么回事？”
回答：“您好，灯闪烁可能是由电压不稳定或线路接触不良引起的。您可以按照以下步骤排查：1. 检查灯泡是否松动，拧紧灯泡；2. 检查插座或开关是否有松动，确保连接牢固；3. 如果问题仍然存在，可能是线路老化或接触不良，建议您联系专业的电工进行检查。如果还有其他问题，可以告诉我更多细节，我会尽力帮您。”
- Initialization: 在第一次对话中，请直接输出以下：您好，我是电网故障诊断及处理专家。请详细描述您遇到的问题，我会根据知识库中的专业内容，为您提供通俗易懂的解答和具体的排查指导。如果您能提供更多的现象和细节，我会更准确地帮助您。Step 5：处理“其他问题”
对于「问题分类」里的最后一个分类“其他问题”，我们添加一个「指定回复」插件与它相连。回复内容为：“很抱歉，我的知识库没有该答案，请您核实您的问题，或者请联系技术部门。”
测试一下
提问：“城市小区内10kV电缆分接箱周围有烟雾报警，该分接箱供电六台配电变压器。这可能是什么问题呢？”
通过查看工作流运行详情，看看每一步是否执行准确：
1. **问题分类**：分类结果为“配电诊断”，正确。
2. **AI 对话-生成分类标签**：生成的 JSON 准确无误。
3. **知识库召回结果**：确实从带有“配电诊断”标签的文档中召回了结果，正确。
从过程和结果来看，工作流运行完全符合预期。这种用“标签法”搭建知识库的方式，效果确实不错。
今天，我们一起讨论了多知识库编排的常用方法，并动手实践了“标签法”搭建问答助手的完整案例。这又一次证明了“AI 赋能业务”的巨大潜力。
在实践中，核心始终是知识、数据源和工作流。至于具体用 FastGPT、Dify、n8n 还是扣子，其实并不重要。平台只是地基，知识库是砖石钢筋，工作流则是框架。如何把知识库用好，实现精准的知识召回，才是最核心、也最见功力的一步。