豆包搭建知识库飞书教程

欢迎收听扣子 ai 播客。 哈喽，大家好，我是今天的主持人，咱们今天来聊一个最近挺火的话题，就是普通人零代码也能搭建自己的锤类智能体知识库，而且它的长期价值真的能帮咱们省下不少力气。 没错，很多人可能觉得知识库就是给智能体额外加点资料，其实它根本不是可有可无的锦上添花，而是垂直智能体的能力基石。要是知识库设计的乱七八糟，不仅会让 ai 的 回答变得离谱，后续维护起来也会特别麻烦。 那先跟大家拆解一下核心概念吧，什么是 ugc 智能体啊？ ugc 智能体就是咱们普通用户不用写代码就能创建的专属 ai 助手，你可以给他设定角色，绑定知识库，还能编排工作流，让他完全按照你的需求来干活。 那锤类知识库又是什么呢？锤类知客就是聚焦特定领域的结构化资料，比如医疗、法律、金融这些，它是通过 r a g， 也就是解锁增强生成的技术来提升 ai 回答的准确性和可解释性。 简单来说，通用大模型靠的是它自己的训练数据，而锤类智能体靠的就是咱们搭建的知识库。所以锤类知识库一定要有纯度和关联度，可别把资料堆成大杂烩，那样反而起不到作用。 明白了，接下来咱们就进入保姆级的搭建流程，首先得知道入口在哪里，还有需要准备什么，对吧？ 对手机端的话，你得打开最新版的豆包 app， 版本要在 v 七点五点零以上。然后点击我的，找到智能体工坊，电脑端直接访问豆包点 com， 进入我的智能体或者创作中心就行。不过在这之前得先完成实名认证，开通相关的权限，不然可能操作不了。 接下来就是设置基础信息和人设了，这一步有什么需要注意的吗？名称得直白，体现功能，而且要控制在十二字以内，不能有特殊符号。 一句话简介要明确，核心直能。比如帮你解答职场面试问题，性格与语气可以勾选关键词，比如严谨、幽默、简明这些。开场白也要好好写，引导用户正确使用这个智能体。比如可以说，你好，我是职场面试助手，有问题随时问我。 然后就是创建知识库和上传文档了。这一步听起来好像挺复杂的，其实还好， 新建知识库的时候，命名要用英文数字或者下划线，而且得以字母开头描述，可以写零到五百字，说明这个知识库是做什么的。数据类型分非结构化和结构化。非结构化的有 pdf、 word， markdown、 txt。 结构化的有 csv、 excel、 json、 l。 那项链化模型怎么选呢？一般默认选 dobell， embedding， 二四零七一五，加上关键词模型就行。如果是长文本，可以选多语言模型，要是追求精度，就选 large 版本。 切片与缩影这块非结构化数据可以设置切片规则，一般八百到一千五百 token， 重叠两百 token， 这样能保证上下文的连贯性。结构化数据就按字段来分，缩影算法默认选 h n s w h hybrid， 它能兼顾语义和关键词。解锁 投喂资料的时候，格式优先级是怎样的啊？格式优先级是 markdown 最高，然后是 html、 word、 pdf 尽量别用扫描件和图片型的 pdf， 因为 ai 很 难识别里面的内容。还有数据清洗也很重要，得按四步法来。先把格式标准化，比如转成 markdown， 玻璃页眉页脚，然后划分语义单元，按章节或者条款分段， 还要保证术语一致，比如同一词要统一，最后做好时效性管理，加上版本号和更新频率。上传文件的时候有什么限制吗？ 单次上传的文件数和总大小大概限制在两百 mb 左右，而且系统会自动过滤敏感信息进行审计，这个不用担心。 接下来就是把智能体和知识库绑定在一起了，怎么操作呢？在智能体编辑页找到知识库高级技能，然后添加资料，你可以上传文档，也可以直接粘贴文本或者 faq， 系统会自动解析这些资料，建立语义缩引，大概两到三分钟就能生效。 这里还要设置提示词约束，让 ai 优先寄予知识库。回答，如果不确定的话，要明确告诉用户，他不知道别瞎编。 那工作流和技能这块是进阶内容对吧？对，这部分是可选的，你可以设置意图识别、条件路由，精确检测的工作流，实现智能路由，让 ai 根据用户的问题自动找到对应的知识库内容。 还可以添加官方技能，比如 pdf 提取、表格识别、网页解析，还有插件，比如天气搜索、邮件飞书这些，让智能体的功能更丰富。 最后就是发布和测试了，这一步得好好检查对吧？没错，发布的时候可以选择可见性，比如仅自己可见，仅链接可见，或者公开搜索，如果选公开搜索，要优化关键词标签，增加曝光。 测试的时候要检查三个要点，一致性就是回答是不是基于知识库的内容边界控制。当问题超出知识库范围时， ai 要礼貌拒绝，还有多轮对话记忆，能不能记住之前的对话内容。测试完要是有问题就返回编辑页修改设定或者更新知识库， 而且系统有版本管理和回滚机制，不用担心改坏了找不回来。刚才讲完了搭建流程，再跟大家说说最佳实践和避坑指南吧。 首先，知识库拆分要遵循原则，最好按主题或者实体来分，比如分成公司信息、产品中心、售后 faq、 技术支持这些，别把所有资料都堆在一起，那样 ai 解锁的时候会混乱。 那解锁策略方面有什么需要注意的吗？可以选择向量解锁关键词 bm 二五或者混合解锁。还可以用 re、 rinking 和 melaton 的 权重来优化解锁结果，让 ai 更精准地找到需要的资料。 怎么验证知识库的质量呢？可以让专家审核资料的准确性，也可以用工具辅助检测敏感词和内容冲突。还要定期复盘，看看高频问题是什么，错误率最高的 top 五是哪些。然后针对性的优化知识库，知识库也需要持续更新，对吧？ 当然日常可以根据用户反馈和业务变更来更新，比如有新的产品上线，就把产品信息加到知识库里面。 还要建立定期机制，比如每月统计一下大家的问题，扩充相关的知识。版本控制也很重要，可以用领域、年纪的格式来命名，比如职场面试下划线、二零二四 q 三，方便管理和回溯。 最后总结一下，普通人搭建垂类知识库其实没那么难，零代码大概十分钟就能跑通一个垂直场景，而且一次创建就能长期复利。 没错，垂类知识库是专业能力的基石，他的成败就在于结构化设计和持续迭代。未来智能体的竞争本质上就是知识库的广度、深度和活性的竞争。 所以建议大家先跑通一个垂直场景，再复制扩张，而且一定要注意数据合规和隐私保护，别泄露了重要信息。今天的保姆级教程就到这里了，希望对大家有帮助，咱们下次再见！再见！

利用上班的碎片时间，我用豆包搭了一个专属知识库。这段时间私有化部署特别火，早就想把自己的数据攥在手心里了，今天终于开干，发现很多人还在用在线 ai 文档，一上传核心机密就没了隐私保障。所以这次我专门花了三点五个小时，在本地成功部署了大模型， 搭建了一个完全属于自己的知识库。过程其实没那么难，我把关键步骤全梳理出来了，做成了一份小白也能看懂的实战教程， 手把手教你如何在电脑上一键部署大模型，从环境配置到知识库挂载，照着做就能落地，看十遍，不如实操一遍，真的超有成就感。如果你也想搭建一个自己的知识库，留下学习直接暴走！

欢迎收听扣子 ai 播客。 哈喽，大家好，欢迎来到今天的播客。最近你有没有发现， ai 聊天工具越来越多，但用起来总感觉差点意思？就好像你问一个行业里的专业问题，得到的回答要么太笼统，要么还没你自己懂的多。 对，很多 ai 工具都有这个毛病，因为他们的知识都是通用的，没法精准贴合你自己的业务场景。不过豆包的 ugc 智能体就不一样了，它能吸收咱们自己上传的专业知识，就好像给 ai 装了一个专属的专业大脑。 错，这就是咱们今天要聊的主题，怎么给豆包 ugc 智能体搭建知识库，让它从一个通用工具变成专属于你的业务伙伴。你可以先给大家说说，豆包 ugc 智能体和普通 ai 到底有什么不一样？ 主要有两点，首先是 ugc 赋能，普通 ai 的 知识都是训练的时候就固定了的，而豆包 ugc 智能体可以吸收咱们自己上传的用户申称内容，不管是行业报告、公司文档还是员工经验，都能变成它的知识储备。 再一个就是自主落地，它能自己理解需求、拆解任务，甚至调用工具来优化结果，不用咱们一步步去指挥。 所以说知识库就是把普通 ai 变成专业智能体的关键，对吧？你要是不给他装专属知识，他就还是那个什么都懂一点，但什么都不精的通用工具。 没错，很多人用智能体的时候就随便传几份文档上去，结果发现效果不好，就觉得智能体没用，其实是没找到正确的搭建方式。一个好的知识库能让 ai 的 回答准确率从百分之五六十直接提升到百分之九十以上，这可不是小提升。 这么厉害啊，那到底什么是知识库呢？能给咱们简单解释一下吗？其实说白了，知识库就是给智能体准备的专属知识宝库，你把你业务里需要用到的专业知识整理好上传进去，智能体回答问题的时候，就会优先从这个宝库里面找答案，而不是靠自己瞎编。 这样一来，回答的准确性就有了保障，也不会出现那些离谱的幻觉输出。哦，我明白了，就好像你给学生准备了一本专属的教科书，考试的时候他就照着书答题，而不是凭自己想象乱写。那有知识库和没有知识库的智能题差别到底有多大？ 举个简单的例子，假设你是做电商售后的，用户问你买了七天的衣服能不能退货。没有知识库的 ai 可能会说，一般来说可以，但具体要看商家规定，这等于没说。 但有了知识库的智能体就会直接告诉你，根据咱们店铺的规定，七天内不影响二次销售的商品可以退货，需要提供订单编号和商品照片，这才是用户真正需要的答案。 确实，这样一来，用户体验就完全不一样了。那搭建一个知识库具体要怎么做呢？有没有什么步骤可以跟着走？ 当然有，我总结了五步法，只要跟着这个步骤来，就能搭建出一个好用的知识库。第一步就是明确业务需求，圈定知识边界。很多人一开始就犯了一个错误，把所有能找到的资料都塞进知识库，结果里面乱七八糟的， ai 根本找不到有用的信息。 对，我就见过有人把公司所有的文档都传上去，不管是招聘启示还是团建照片，结果 ai 回答问题的时候，经常会把团建照片的描述也扯进来，特别离谱。那应该怎么正确圈定知识边界呢？ 首先得明确你的核心场景。比如你是做售后客服的，那就先把售后相关的知识整理出来，不用管市场推广或者产品研发的内容， 你可以用用户旅程地图来梳理，把用户从咨询到成交再到售后的整个流程列出来，找到那些用户问的最多、最有价值的问题，把这些问题对应的知识优先整理进去。 听起来很实用啊，能给咱们举个例子吗？比如说之前有个客户，一开始想搭建一个全场景的知识库，结果回答准确率只有百分之五十八。 后来他们把范围缩小到售后客服这一个场景，只整理退换货、物流发票这些常见问题的知识，结果准确率直接提升到了百分之九十二，效果特别明显。 原来如此，看来聚焦比全面更重要。那第一步完成之后，第二步应该做什么呢？第二步就是知识采集与结构化。 知识分三种，显性知识、隐性知识和外部知识。显性知识就是那些已经写在文档里的内容，比如公司的规章制度、产品说明书、 faq 文档，这些隐性知识就是员工脑子里的经验，比如客服应对难缠用户的技巧、销售谈单的话术这些，得想办法把它们整理成文字。 外部知识就是行业报告、竞品信息，这些可以补充你的知识库。那隐性知识怎么采集呢？总不能让员工把所有经验都写下来吧？ 可以通过访谈、复盘会、案例分享这些方式来收集。比如说每周找几个资深客服开个会，让他们分享一下这周遇到的经典案例和解决办法，然后把这些内容整理成文档。 采集完知识之后，还要做结构化处理，给每个知识点打标签，建立树形或者网状的结构，这样 ai 剪辑起来才方便哦，就好像给图书馆里的书分类一样，按主题按章节放好，找的时候就能很快找到。那第三步呢？ 第三步就是文档上传与切块策略。豆包 ugc 智能体，支持很多格式的文档， pdf， word， txt， markdown 这些都可以上传，但关键是切块的质量，这直接决定了 ai 解锁的精度。什么是切块？能解释一下， 就是把长文档分成一个一个小的知识单元，每个单元就是一个 chunk， 不 同的文档要采用不同的切块策略，比如说 faq 文档，最好把一个问题和对应的答案合并成一个 chunk， 这样 ai 回答的时候就能直接找到完整的 q and a。 长文档的话就要按章节和子标题来分层切块，比如一本书可以分成章节、小节，每一小节作为一个 chunk。 那切块的时候有没有什么工具可以用呢？有很多开源的工具都可以用来做切块，比如 lamb， chain， lama， index， defi 这些，它们都能帮你自动处理文档，生成高质量的 chunk。 不 过也要注意切块的长度，不能太长，也不能太短，太长了会浪费 token， 太短了又会导致语义断裂。一般来说每个 chunk 控制在一千到两千个字幅比较合适。 明白了，这一步看起来挺关键的，要是切不好，后面的解锁效果就会大打折扣。那第四步呢？ 第四步就是解锁优化与配置，上传完文档之后，还要设置一些解锁参数，让 ai 能更精准的找到需要的知识。主要有三种解锁策略，向量解锁、关键词解锁和混合解锁。 这三个解锁策略有什么区别啊？哪种更好用？向量检测是把文字转换成像量，通过计算向量之间的相似度来找到最相关的内容。这种方式能理解语义，适合处理复杂的问题。 关键词解锁就是传统的 b m 二五算法，通过匹配关键词来找到内容，适合处理简单的问题。混合解锁就是把两种方式结合起来，既能理解语义，又能快速匹配关键词，一般来说效果最好。 听起来混合解锁更靠谱一点。那参数设置方面有什么需要注意的吗？主要有两个参数比较重要，一个是 top kick， 就是 返回最相关的几个 chunk， 建议设置成三到五个，太少了可能找不到最准确的答案，太多了又会增加 token 消耗。 另一个是 scoresrestord， 就是 相似度的域值，建议设置成零点四到零点六，低于这个域值的内容就不会被返回，这样可以减少噪声干扰 哦，这样就能过滤掉那些不相关的内容了。那还有其他优化方法吗？还有重排序和上下文压缩。 重排序就是把返回的 chang 再按重要性排个序，把最相关的放在前面，这样能提升准确率百分之十二到百分之十五上下文。压缩就是把 chang 里面的荣誉信息去掉，只保留最核心的内容，这样能减少 token 消耗，也能让 ai 回答的时候更简洁。 原来还有这么多细节要注意啊，那第五步应该就是测试和迭代了吧？没错，第五步就是测试验证与持续迭代。 搭建好知识库之后，不能直接就上线使用，得先测试一下效果。测试可以分三个阶段，第一阶段是单轮响应测试，就是问一些简单的问题，看看 ai 回答的准不准。第二阶段是多轮连贯测试，就是连续问几个相关的问题，看看 ai 能不能跟上思路。 第三阶段是压力并发测试，就是模拟多个用户同时提问，看看系统能不能承受住，测试通过之后是不是就大功告成了。 也不是，知识库是需要持续更新的，业务在变化，知识也在变化，比如公司的政策调整了，产品升级了，都要及时更新知识库里面的内容，还要定期复盘。比如每月统计一下用户问的最多的问题，以及 ai 回答错误率最高的问题，针对这些问题去优化知识库。 确实，知识是不断变化的，不可能一劳永逸。那有没有一些实际的案例可以给咱们分享一下，看看搭建好知识库之后到底能带来哪些好处？ 有啊，比如之前有个做电商的客户，他们搭建了一个聚焦售后退换货的知识库，结果 ai 的 回答准确率从百分之七十提升到了百分之九十五，客服团队的人力成本直接节省了百分之四十，因为很多简单的问题 ai 就 能解决，不需要人工干预了， 这效率提升的也太明显了。还有其他案例吗？还有一个教创赛的案例，他们把一千七百二十八条获奖信息整理成了标准化的知识条目，每条都按固定的格式来写，确保 ai 查询的时候能准确找到对应的信息。 结果学生查询获奖信息的时候，再也不用翻厚厚的纸质文档了，直接问 ai 就 能得到准确答案，特别方便，确实很实用。还有吗？ 还有一个抖音小店的案例，他们把 ugc 内容的爆款逻辑整理成知识库，让 ai 帮忙生成商品文案，结果商品文案的转化率提升了不少，复购率从百分之十五涨到了百分之四十，这可是实实在在的业务增长。 看来知识库不仅能提升效率，还能直接带来业务收益啊。那在搭建和使用知识库的过程中，有没有什么最佳实践可以分享？或者有哪些常见的陷阱需要避免？ 当然有，先说说最佳实践吧，首先是绑定具体场景，拒绝大而全，刚才也说了，聚焦比全面更重要。然后是设计人机协助流程，而不是想着用 ai 替代人工。 比如简单的问题让 ai 回答，复杂的问题还是要转人工处理，还要建立数据看板监控， ai 的 回答准确率、用户满意度这些指标随时调整优化。 错， ai 只是工具，不能完全替代人。那合规与安全方面有什么需要注意的吗？这个也很重要，特别是涉及到用户隐私和公司机密的知识，一定要做好权限控制，哪些人可以上传知识，哪些人可以查看知识，都要设置清楚。还要做好脱敏处理， 比如用户的姓名、联系方式这些敏感信息，上传之前要先删掉，最后还要保留审计日记，记录谁在什么时候上传了什么内容，方便日后追溯。这些都是细节，但也是容易忽略的地方。那常见的陷阱有哪些呢？ 第一个陷阱就是过度依赖自动分词，导致语义割裂。有些工具自动切块的时候，会把一个完整的句子切成两半，这样 ai 剪辑的时候就会理解错意思。 第二个陷阱是忽视原数据标签，给每个知识点打标签能帮助 ai 更快找到内容，但很多人都忘了做这件事。 第三个陷阱就是切块长度不合理，刚才也说了，太长太短都不好。第四个陷阱就是未建立知识更新机制，知乎库的内容过时了， ai 回答的自然也就不准确了。 看来这些陷阱都挺容易踩的，得提醒大家注意。那今天聊了这么多，你能不能给咱们总结一下，知识库对于豆包、 udc、 智能体到底有多重要？ 简单来说，知识库就是智能体从工具升级为业务伙伴的关键。没有知识库的智能体，就好像没有武器的士兵，根本没法在专业领域发挥作用。 有了知识库，智能体就能精准贴合你的业务场景，给用户提供专业准确的回答，帮你提升效率，降低成本，甚至带来业务增长。没错，这就是知识库的核心价值，那未来知识库的发展趋势是什么样的呢？ 未来可能会朝着三个方向发展，第一个是分层存储架构，把不同类型的知识存到不同的层级，比如把高频问题的知识存到规党层，这样解锁效率会更高。第二个是多模态知识，知识不仅能处理文字，还能处理图片、视频、音频这些多模态的知识。 第三个是知识图谱，增强，把知识之间的关系梳理清楚，形成一个知识图谱，让 ai 能更好地理解知识之间的联系。 听起来未来的知识库会越来越智能，越来越强大。那对于想要搭建知识库的听众，你有什么建议吗？ 我的建议就是别想着一步到位，先从一个小场景开始，比如先搭建一个售后客服的知识库，把这个场景做好了，再逐步扩展到其他场景，动手去做比什么都重要。实践的过程中你会发现很多问题，也会找到最适合你的搭建方式。 没错，小步快跑，快速迭代，这才是正确的做法。今天咱们聊了这么多关于知识库搭建的内容，相信大家都有不少收获，如果大家还有什么疑问，或者想分享自己的搭建经验，都可以在评论区留言和咱们交流。 对，欢迎大家随时和我们交流，咱们一起把豆包 ugc 智能体变得更专业。好的，今天的播课就到这里，感谢大家的收听，咱们下期再见！

上班摸鱼，顺手用豆包搭建了个自己的知识库，没想到好用到起飞。二零二六年是 ai 大 模型的浪潮，但很多人还在用网页版 ai， 个人隐私和数据安全没保障。正好摸鱼闲得慌， 花了二点五小时在本地搭了个自己的知识库，把所有文档都丢进去，想个啥说啥，再也不用担心数据泄露。 我把完整的搭建步骤都整理好了，按照步骤走，就能在本地电脑刨去大模型，还能配一个专属的问答知识库，感兴趣的宝子抱走，上手学习。

欢迎收听扣子 ai 播客！ 哈喽，大家好，又到了咱们的新手课堂时间。没错，今天咱们要聊的是一个特别实用的工具，豆包 ugc 智能体知识库搭建。我知道很多新手朋友一听到知识库这几个字就犯怵，其实真没那么难，跟着咱们一步步来，你也能答出越用越专业的智能体，是 先得搞明白到底什么是豆包 ugc 智能体知识库啊！说白了就是你给豆包定制一个专属的知识储备库，让他能根据你上传的内容更精准的回答问题，甚至帮你处理特定的任务。 对比如你是做电商的，把自家产品的说明书、用户常见问题都传进去，以后客户问问题，豆包就能直接用你给的资料来回复，不用你再反复解释。或者你是学生，把教材笔记上传，他就能帮你整理重点，解答疑惑。 没错，这就是他最实用的地方，能帮咱们节省大量重复劳动的时间。而且新手学这个也很有必要，毕竟现在 ai 工具越来越普及，掌握一点定制化的技巧，能让工具真正为自己所用。 那咱们先从最基础的开始，创建豆包智能体的完整流程。首先得确保你的豆包 app 是 v 七点、五点零级以上的版本，不然可能找不到智能体工坊的入口。 对这个版本要求一定要注意，要是版本太低，先去应用商店更新一下，更新完之后打开豆包 app， 点击右下角的我的，然后找到智能体功房，点进去就能看到创建智能体的按钮了。 没错，这几步其实挺简单的，跟着路径走就行。接下来就是知识库搭建的关键步骤了。首先是上传文档，豆包支持 pdf、 txt、 d、 o、 c、 x 这些常见格式，单次最多能传五个文件，总大小不能超过一百 mb。 这里有个小细节，上传的时候尽量把相关的文件分类整理好，比如把产品的说明书放在一起，用户问题放在一起，这样豆包在调用知识的时候会更清晰，而且上传之后系统会自动解析文档内容，这个过程可能需要等一会，别着急。 对上传完文档之后就可以设置角色了，角色设定特别重要，他决定了智能体的说话风格和回答逻辑。比如你想让他当一个专业的客服，就可以把角色设定成热情耐心的电商客服，熟悉产品知识，能快速解答用户疑问。 没错，角色设定的描述越具体越好，最好能明确他的身份、语气和职责范围。比如你要让他当老师，就可以写严谨负责的高中数学老师，擅长用通俗的语言讲解复杂知识点。 接下来就是配置技能了，技能配置其实就是告诉智能体他能做什么，比如解答产品使用问题、生成产品介绍、文案整理、用户反馈等等。你可以根据自己的需求来添加不同的技能。 这里还有几个关键参数需要注意，比如响应长度默认是五百到两千字之间，你可以根据需要调整。还有敏感词过滤和联网搜索开关，敏感词过滤建议打开，避免智能体输出不合适的内容。 联网搜索开关如果打开的话，智能体可以结合网上的信息来回答问题，不过要是你希望他只使用你上传的知识库内容，就把这个开关关掉， 对这些参数的设置要根据自己的使用场景来调整。比如你要是用智能体来处理内部文档的问题，就关掉联网搜索，这样他就只会用你上传的内容来回答更精准。 那说完了基础的搭建步骤，咱们再聊聊实用技巧，怎么让智能体越用越专业。首先就是持续迭代知识库，随着你的业务发展或者知识更新，要及时上传新的文档，替换旧的内容 没错，比如你家产品更新了功能，就要把新的说明书上传进去，不然智能体还会用旧的内容来回答问题，就会出错。而且每次上传新内容之后，最好再重新测试一下，确保智能体能正确调用新的知识。 然后就是测试优化方法，最常用的是一致性测试和边界控制测试。一致性测试就是问同一个问题，多次看智能体的回答是不是保持一致，避免出现前后矛盾的情况。 边界控制测试就是问一些超出知识库范围的问题，看看智能体会不会胡乱回答。比如你上传的是电商产品的资料，就问他一些关于医疗的问题，要是他说我不太清楚，那就说明边界控制做的不错。要是他随便乱答，你就要调整角色设定或者技能配置，明确他的回答范围。 对，还有一个小技巧，就是持续优化人设描述和技能配置。比如你发现智能体的回答语气太生硬，就可以在角色设定里加上语气亲切，像朋友一样和用户交流，要是他的技能不够全面，就再添加新的技能。 没错，这些优化都是一个循序渐进的过程，不可能一次就做到完美，需要你不断的测试和调整。聊完了技巧，咱们再说说新手常见的坑，帮大家避避雷。 第一个常见问题就是上传的文档格式不对，导致系统解析失败。比如有些 pdf 文件是图片扫描件，不是可编辑的文本格式，系统就没法解析，这时候你就得先把扫描件转换成可编辑的文本格式再上传。 对！还有一个问题就是角色设定太模糊，比如只写客服，没说清楚是电商客服还是售后客服，也没说清楚语气要求，这样智能体的回答就会比较随意，达不到你想要的效果，所以角色设定一定要具体。 还有一个坑就是上传的文件太大，超过了一百 mv 的 限制。这时候你可以把大文件拆分成几个小文件，比如把一本厚书分成几张分别上传，或者先压缩一下文件，看看能不能把大小降下来。 没错。还有就是忽略了测试环节，刚搭好智能体就直接用，结果发现回答错误百出，所以一定要先测试，确保智能体的回答符合你的要求之后再正式使用。 还有一个常见问题就是不知道怎么叠带知识库，很多人搭好之后就不管了，过了几个月，知识库的内容已经过时了，智能体的回答自然也不准确，所以一定要养成定期更新知识库的习惯。对，这些都是新手很容易犯的错误，大家搭建的时候一定要注意。 好了，今天咱们把豆包 u j c 智能体知识库搭建的整个流程，关键步骤、使用技巧和避坑指南都聊的差不多了，其实总结下来，核心就是三步，搭建基础框架配置、关键参数，持续优化迭代。 没错，新手朋友不用害怕，先从简单的开始。比如先上传一份自己的笔记，设置一个简单的角色，测试一下效果，然后再慢慢调整和优化。 对，最重要的是动手实践，光听理论没用，自己操作一遍，遇到问题再回来看看咱们的指南，很快就能上手。而且随着你不断的优化知识点，智能体会越来越专业，真正成为你的得力助手。 没错，希望今天的内容能帮到大家，要是你在搭建过程中遇到什么问题，欢迎在评论区留言，咱们一起交流讨论。好了，今天的节目就到这里，感谢大家的收听，咱们下次再见！再见啦！

欢迎收听扣子 ai 播客。 哈喽，大家好，欢迎来到今天的播客。最近我一直在研究豆包 ugc 智能体的知识库搭建，就发现好多朋友都卡在了知识碎片收集这一步。今天就专门来跟大家聊聊这个话题，也请我身边的这位知识达人一起帮咱们梳理梳理思路。 没问题，其实我最近也在帮朋友做这个，确实踩了不少坑。那你先跟大家说说，到底什么是知识碎片啊？我感觉好多人可能跟我一样，一听到这个词就有点蒙，不知道具体指的是什么。 其实很好理解，就是那些不成体系的零散信息，比如你刷到了一篇干货帖子，看到的一段视频字幕，甚至是和朋友聊天时学到的一个小技巧，这些都算是知识碎片，他们本身可能没什么用，但攒多了，整理好了，就能变成知识库的重要组成部分。 原来是这样，那咱们搭建 ugc 智能体的知识库，为什么一定要重视知识碎片的收集呢？ 因为 ugc 智能体的核心优势就是能快速响应用户的各种个性化问题，这些问题往往不是那种标准答案式的，而是需要结合各种零散信息来解答。如果你的知识库全是大段的理论文章，那智能体可能就没办法灵活调用信息，回答出来的内容也会显得生硬死板。 没错，我之前试过用那种长篇大论的文档喂给智能体，结果他回答问题的时候，要么就是直接复制粘贴大段文字，要么就是答复所问。那你觉得我们应该从哪些渠道去收集这些知识碎片呢？ 渠道其实挺多的，我总结了几个主要方向。首先就是社交媒体平台，像小红书、抖音、 b 站这些地方，有很多用户分享的实用经验和小技巧，这些内容往往都是非常接地气的知识碎片。 然后是专业论坛和社区，比如知乎、 c、 s、 d、 n， 还有一些垂直领域的论坛，里面的讨论和回答常常能挖到很多干货。 我平时也会刷这些平台，但感觉信息太杂了，有时候刷半天都找不到有用的内容。有没有什么具体的收集策略，能让我们更高效地找到想要的知识碎片？ 当然有，首先得明确你搭建的智能体是面向哪个领域的，比如是做美食的还是做编程的。先把范围缩小，然后可以利用平台的搜索功能，精准搜索关键词。比如你想收集烘焙相关的知识碎片，就可以搜烘焙小技巧、新手烘焙避坑指南之类的。 这个我试过，但有时候搜出来内容还是太乱了，怎么筛选出有用的呢？这就需要你先建立一个初步的知识框架。比如你想搭建烘焙知识库，就可以先分成食材处理、烘焙工具使用、常见问题解决这些大类。然后在搜索的时候，针对每个大类去收集对应的知识碎片， 这样收集起来的信息就会更有条理，后面整理的时候也会轻松很多。听起来很有道理，那除了手动搜索，有没有什么工具可以帮助我们自动收集知识碎片呢？ 有很多工具可以用，比如印象笔记、 note 这些笔记类工具，它们都有网页简藏功能，你看到有用的内容，一键就能保存下来。还有像斐得里这样的 rss 阅读器，可以订阅你感兴趣的公众号，簿刻自动帮你收集更新的内容。 另外，一些 ai 工具也能帮你筛选和整理信息。比如豆包本身就有总结文本、提取关键信息的功能。这些工具我都用过，但有时候收集了一堆知识碎片，却不知道怎么把它们整理成有用的知识库内容，你有没有什么整理的方法可以分享一下？ 整理的关键还是要先分类，我一般会用标签系统来管理知识碎片，比如我收集到一个关于七风蛋糕消泡原因的帖子，就会给他打上七风蛋糕常见问题、新手避坑这些标签，这样后面需要调用的时候，只要搜索标签就能快速找到相关的信息。 我之前也试过用标签，但总是觉得标签打的太随意，后面找起来还是很麻烦。怎么才能打好标签呢？ 打标签的时候要尽量统一标准，比如不要一会用新手，一会又用入门，最好提前制定一套标签规则，比如按照知识领域、内容类型、适用人群这些维度来设置标签。另外，标签不要打的太细，也不要太笼统适中就好，比如打三到五个标签是比较合适的。 明白了，那在收集和整理知识碎片的过程中，有没有什么需要特别注意的地方？首先就是版权问题，这个一定要重视。你收集的知识碎片，如果是别人原创的内容，最好先征得作者同意或者著名来源，避免侵权。 然后是信息的准确性，很多社交媒体上的内容可能存在错误，你在收集的时候最好交叉验证一下，确保信息的可信。 对版权问题真的很重要，我之前就看到有人因为未经授权使用别人的内容被投诉了，那除了这些还有没有其他需要注意的？ 还有就是要定期更新和清理知识库，知识是不断更新的，旧的知识碎片可能已经过时了，需要及时替换掉。另外，收集知识碎片的时候不要贪多，要注重质量，一些重复的没有价值的内容就不要留着了，不然会占用大量的存储空间，也会影响智能体的运行效率。 我之前就是收集了太多没用的内容，导致知识库变得很臃肿，智能体响应速度都变慢了。 那你觉得我们在收集知识碎片的时候，应该怎么判断哪些是有用的，哪些是没用的呢？主要看两个方面，一是相关性，这个知识碎片是不是和你搭建的智能体领域相关，能不能帮助智能体更好的回答用户的问题。二是实用性，这个知识碎片是不是能解决实际问题，有没有可操作性， 如果一个内容既不相关又不实用，那就可以直接删掉了。没错，实用性真的很重要。很多时候我们收集的内容看起来很高级，但实际上对用户没什么帮助，这种内容就没必要留着。那你有没有什么具体的例子可以跟大家说说怎么把知识碎片转化成知识库的有效内容？ 比如我之前收集到一个关于如何用微波炉做蛋挞的短视频，里面有几个关键信息，比如蛋挞液的配方、加热的时间和温度，我就把这些关键信息提取出来，整理成一篇清晰的教程，然后给他打上微波炉美食蛋挞、制作快手食谱这些标签。 这样智能体在回答用户关于微波炉做蛋挞的问题时，就能快速调用这些信息，给出准确又实用的回答。这个例子太直观了，一下就明白怎么操作了。那除了这种实用教程类的知识碎片，像一些观点性的内容，比如用户对某个产品的评价，能不能也用来搭建知识库呢？ 当然可以，不过这类内容需要更谨慎的处理。首先要确保观点是客观的，最好收集多个不同用户的评价，综合起来，形成更全面的信息。然后可以把这些评价中的关键观点提取出来，整理成产品的优缺点分析，这样智能体在回答用户关于产品的问题时，就能给出更客观的建议。 明白了，那你觉得在整个知识碎片收集和知识库搭建的过程中，最难的一步是什么？ 我觉得最难的是保持持续的收集和更新。很多人一开始热情很高，收集了一大堆内容，但过了一段时间就坚持不下去了，知识点也慢慢变得陈旧。所以我建议大家可以制定一个收集计划，比如每天花三十分钟去收集和整理知识碎片，养成习惯，这样才能保证知识点的持续更新和完善。 确实，坚持是最难的，那有没有什么办法可以让这个过程变得更轻松一点呢？ 你可以找几个志同道合的朋友一起做，大家分工收集不同领域的知识碎片，然后互相分享，这样既能提高效率，也能增加动力。另外你还可以利用一些自动化工具，比如设置定时提醒，或者用爬虫工具自动抓取相关的内容。不过爬虫工具使用的时候要注意遵守平台的规则，不要违规抓取。 这个主意不错，组队收集确实能解决很多问题。那今天咱们聊了这么多，你能不能给大家总结一下，搭建豆包 ugc 智能体知识库收集知识碎片的核心要点是什么？ 核心要点其实就三个，第一是明确目标，先确定你搭建的智能体是面向哪个领域的，需要解决哪些问题，这样才能有针对性的收集知识碎片。 第二是注重质量，不要盲目收集，要选择那些准确实用相关的内容。第三是持续更新，知识是不断变化的，知识库也要跟着更新，这样智能体才能一直保持良好的性能。 总结的太到位了，今天跟你聊了这么多，我感觉自己对知识碎片收集和知识库搭建有了更清晰的认识。相信听了咱们今天的播课，大家也能少走很多弯路。 没错，希望这些经验能帮到大家。如果大家在搭建过程中遇到什么问题，也可以在评论区留言，咱们一起交流探讨。好的，今天的播课就到这里了，感谢大家的收听，咱们下期再见！

周末在家无聊，用豆包搭建了个自己的知识库，简直好用到爆！这段时间搭建知识库特别火，早就想在本地部署大模型，周末休息本着学习的目的直接开干，发现大多数人还用的是在线 ai， 自己的信息没保障，所以这次我专门花了二点五个小时搭建了个自己的大模型知识库， 其实代码并不复杂，在搭建的时候顺便把步骤捋顺成小白也能看得懂的教程，关键步骤还会手把手教你按照步骤来就能在电脑部署大模型，搭建一个专属的知识库，真的超有成就感！如果你也想搭建一个自己的知识库，留下学习直接抱走！

上班摸鱼，用豆包搭了个知识库，最近搭建知识库特别火，早就想在本地部署大模型搭建自己的知识库了，今天上班无聊直接开干，发现大多数人还在用在线 ai， 自己的信息隐私没保障， 所以这次我专门花了三点五个小时搭建了个专属的大模型知识库，顺便把步骤梳理成小白也能看懂的教程，关键步骤还会手把手教你按照步骤来就能在电脑上部署大模型，搭建一个专属知识库，真的超有成就感！如果你也想搭建一个自己的知识库，留下学习直接抱走！

下班无聊顺手用豆包搭建了个人知识库，体验感直接拉满。二零二六年，作为 ai 智能体全面爆发的一年，就连春晚都在大力普及。不过一直使用在线网页版，总担心隐私安全，重要文件也不敢随意上传。趁着下班不忙，花了三小时在本地电脑搭建了属于自己的知识库， 文档都能直接导入，想提问就提问，完全不用担心数据泄露。关键的是全程不需要服务器，自己电脑就能跑。我已经整理好小白也能看懂的保姆级教程，图文并茂，跟着走下来就能搭建出自己的知识库，要练习的朋友不嫌弃就抱走吧！

欢迎收听扣子 ai 播客。 哈喽，大家好，我是大一，我是咪仔，欢迎来到我们的技术分享时间。最近刷技术论坛的时候，看到好多人都在聊豆包 ugc 智能体，说搭建起来特别麻烦，踩了好多坑， 刚好我们团队刚做完一个垂直场景的智能体搭建，今天就跟大家聊聊从零到一的完整流程，还有怎么把这套流程附用起来，快速复制到别的场景里。 对哦，我记得最开始我们启动这个项目的时候，你还跟我吐槽过，好多人都在跟风做智能体，但大多都是那种通用型的，放到垂直场景里根本不好用。 没错，就是这个问题。当时我们服务的是一个做家居建材 ugc 社区的客户，用户经常在社区里问一些非常具体的问题，比如小户型客厅怎么搭配沙发实木地板怎么保养之类的。通用智能体要么达的太泛，要么就是直接复制粘贴网上的内容，根本没有针对性。 那客户当时的需求就是要一个专门针对家居建材 ugc 场景的智能体，能理解用户的具体问题，还能结合社区里的优质内容给出准确的回答是吧？ 对，而且客户还有个痛点，就是他们的运营团队不是技术出身，没法自己维护和更新智能体的知识库，每次有新的社区内容上线，都得找我们帮忙调整，效率特别低。 所以我们当时就想，能不能做一套可以附用的搭建流程，不仅解决当前的垂直场景问题，以后遇到类似的 ugc 场景也能快速上手。那第一步肯定是需求分析吧，毕竟要先搞清楚用户到底想要什么，才能开始后面的技术选型和功能设计。 没错，需求分析我们分了两步走，第一步是跟客户的产品和运营团队聊，搞清楚他们的核心诉求。除了刚才说的针对性回答和方便维护之外，他们还希望智能体能自动识别社区里的优质内容，自动更新到知识库，这样就能减少运营成本。 那第二步呢？是不是还要去跟终端用户聊聊，看看他们平时在社区里的使用习惯和真正的问题点？ 对，我们找了大概二十个活跃用户做了深度访谈，还爬取了社区里三个月的用户提问数据，发现大家的问题主要集中在产品选购、安装维护、搭配设计这几个方面，而且很多问题都是带有强烈场景化的， 比如租房党怎么选性价比高的床垫、南方回南天怎么保养皮质沙发之类的。这些数据应该给后面的功能设计提供了不少方向吧。 没错，需求分析做完之后，我们就开始进入选型了，当时考虑了几个方案，最开始想直接用豆包的基础模型，然后通过 prompt 工程来优化，但后来发现 prompt 工程只能解决部分问题，对于 ugc 场景里的个性化内容处理还是不够灵活。那最后你们选了什么方案？ 最后我们决定采用基础模型加垂直领域知识库加自定义技能的架构。基础模型还是用豆包的四点零版本，因为他的语理解能力确实不错。垂直领域知识库我们用了向量数据库，把社区里的优质内容转换成像量存储进去，这样智能体就能快速解锁到相关的内容。 自定义技能这块我们开发了几个针对家居建材场景的插件，比如产品参数查询、搭配方案生成、保养指南推荐之类的。听起来这个架构还挺清晰的，那功能设计这块你们是怎么考虑的？ 功能设计我们围绕用户的核心需求分了几个模块，第一个是用户提问处理模块，负责接收用户的问题，进行意图识别和语音解析，然后判断是直接调用基础模型回答还是需要从知识库中解锁内容，或者调用自定义技能。 那第二个模块应该就是知识库管理模块吧，毕竟客户希望运营团队能自己维护知识库。没错，知识库管理模块我们做了可视化的界面，运营人员不需要懂技术就能上传新的社区内容，系统会自动转化成像量存储到数据库里。 而且我们还加了智能审核功能，能自动过滤到低质量或者违规的内容，减轻运营的审核负担。那第三个模块呢？是不是还有智能体的对话管理模块，负责处理多轮对话的上下文？ 对对话管理模块很重要，因为很多用户的问题不是一次性就能问清楚的，可能需要多轮交互才能得到满意的回答。比如用户问小户型客厅怎么搭配沙发，智能体给出推荐之后，用户可能会接着问，那茶几选什么材质的比较好？ 这时候智能体需要记住之前的对话上下文，给出连贯的回答。那具体实施的时候，你们是怎么一步步把这些功能落地的？ 实施阶段我们分了四个步骤，第一步是数据准备把社区里的优质内容整理出来，清洗到重复和无效的内容，然后转换成适合向量数据库存储的格式。这一步花了大概一周的时间，因为数据量比较大，而且还要人工标注一些关键信息，比如内容的分类、关键词之类的。 那第二步应该就是搭建知识库和配置基础模型了吧？对，第二步我们先搭建了向量数据库，把整理好的内容导入进去，然后配置了豆包的 api 接口，设置了基础的 prompt 模板，让模型能根据用户的问题结合知识库的内容生成回答。 这一步我们遇到了一个问题，就是模型有时候会忽略知识库的内容，直接用自己的训练数据回答。后来我们调整了 prompt 的 权重，强制模型优先使用知识库的内容，才解决了这个问题。 第三步是不是就是开发自定义技能和界面了？没错，第三步我们开发了几个自定义技能，比如产品参数查询，我们对接了客户的产品数据库，用户问某个产品的参数，智能体就能直接调用接口获取数据，然后整理成自然语言回答。 界面这块我们做了外部版本和小程序版本，用户可以在社区里直接和智能体对话，运营人员也可以通过外部界面管理知识库。那第四步就是测试和上线了。 对，测试我们分了三个阶段，第一个阶段是内部测试，我们团队的人模拟用户提问，检查智能体的回答是否准确，有没有出现幻觉或者错误的信息。第二个阶段是邀请了一百个社区的活跃用户做灰度测试，收集他们的反馈，然后根据反馈调整模型的参数和 prompt 模板。 第三个阶段就是正式上线，上线之后我们还做了一周的实时监控，每天查看对话日记，及时处理用户的投诉和建议。 那搭建过程中你们遇到的最大挑战是什么？最大的挑战应该是知识库的更新和维护问题。最开始我们是手动上传内容，但后来发现社区里每天都有大量新的优质内容产生，手动上传根本跟不上。 后来我们开发了一个自动爬取和筛选的工具，能自动识别社区里的高赞内容，自动转换成像量存储到知识库，这样就解决了更新不及时的问题。还有其他的技术难点吗？ 还有一个难点就是多轮对话的上下文管理。有时候用户的问题比较复杂，涉及多个场景和知识点，智能体很容易忘记之前的对话内容，导致回答不连贯。 后来我们优化了对话管理模块，增加了上下文缓存和记忆机制，让智能体能记住用户之前的提问和回答，这样多轮对话的体验就好了很多。那现在这个智能体上线之后效果怎么样？ 效果还不错，客户反馈说，用户的提问响应速度比之前快了很多，回答的准确率也提升了大概百分之三十。而且运营团队现在不需要找我们帮忙维护知识库了，他们自己就能上传和更新内容，效率提升了不少。 那接下来就是大家最关心的部分了，怎么把这套流程附用起来，快速复制到其他同类场景？其实我们在搭建这个智能体的时候，就考虑到了附用的问题， 所以我们把整个流程抽象成了几个标准化的模块。第一个模块是需求分析模板，我们整理了一套针对 ugc 场景的需求分析框架，包括用户访谈提纲、数据爬取方案、需求优先级评估方法之类的。以后遇到类似的项目，直接套用这个模板，就能快速完成需求分析。 那第二个模块应该就是技术选型和架构设计的标准化了吧？对，第二个模块是技术架构的标准化，我们把基础模型加垂直领域知识库加自定义技能这套架构固化下来，针对不同的垂直场景，只需要更换知识库的内容和自定义技能的功能，就能快速搭建新的智能体。 比如如果要做一个美食 ugc 场景的智能体，只需要把知识库换成美食相关的内容，自定义技能换成菜谱查询、食材推荐之类的功能就可以了。 那第三个模块是不是就是实施流程的标准化？没错，第三个模块是实施流程的标准化。我们把从数据准备、知识库搭建、模型配置，既能开发到测试上线的每个步骤都整理成了详细的操作手册， 每个步骤都有明确的时间节点和质量标准，以后不管哪个团队来做类似的项目，都能按照这个流程一步步来，避免走弯路。 那除了这些标准化的模块，还有什么可以附用的东西吗？还有一些通用的工具和组建，比如我们开发的自动爬取和筛选工具，知识库管理界面对话日记分析工具之类的，这些工具都是可以附用的，只需要根据不同的场景做一些小的调整就能用。 那对于其他想尝试类似项目的团队或个人，你有什么建议吗？首先，我觉得要明确自己的核心需求，不要盲目跟风做智能体，先想清楚你要解决什么问题，目标用户是谁，他们的痛点是什么？ 然后在技术选型的时候，不要追求最先进的技术，要选择最适合自己场景的方案，比如如果你的场景比较简单，可能用 prompt 工程就能解决问题，没必要搭建复杂的架构，还有吗？ 其次，要注重数据的积累和知识库的维护，智能体的回答质量很大程度上取决于知识库的内容，所以一定要花时间整理优质的垂直领域数据，而且要建立定期更新的机制。 另外，在开发过程中要多做测试，尤其是灰度测试，收集用户的反馈，不断优化模型的参数和功能。最后还有什么要提醒大家的吗？ 最后，我觉得要注重流程的标准化和附用性，不要每次做项目都从头开始，要把之前的经验和成果沉淀下来，形成可附用的模板和工具，这样以后再做类似的项目就能节省大量的时间和成本。 还有就是要保持学习，智能体技术发展的很快，要不断关注新的技术和方案，及时更新自己的知识体系。今天跟大一聊了这么多，收获真的很大，从项目背景、搭建流程到关键挑战和赋能价值，都讲的非常详细，相信对很多想尝试智能体开发的朋友会有很大的帮助。 没错，希望今天的分享能给大家带来一些启发。如果大家有什么问题或者想法，欢迎在评论区留言，我们会及时回复。好的，今天的技术分享就到这里，感谢大家的收听，我们下期再见！再见！

一键生成主图，详情图的豆包工作流搭建好了，只需要在这里上传你的产品图，生成主图的数量，详情图的数量点击开始。接下来豆包大哥开始登场，详情图里面所需的文案他都会给你生成，然后自动传给这个香蕉插件，根据你的要求出对应数量的主图和详情图。

上班摸鱼，顺手用豆包建了个自己的知识库，没想到直接起飞，很早以前就想跟上这波浪潮了，但一直没时间。说实话一直用网页版，总担心隐私问题，也不敢传重要的资料。 正好上班闲得慌，花了三小时在本地搭建了自己的知识库，把所有文档都丢进去，想问啥问啥，不用担心数据泄露，最绝的是全程不需要服务器，自己电脑就能跑。纯小白保姆级教程，图片混合文字完整版 pdf 我 已经整理出来了，留学习直接暴走。

这书也太抢手了吧，上一批卖完一批，主要是手把手，零基础。教你豆包、集、梦剪、映飞、书扣子，五合一的 ai 实操指南，让我们普通人秒变全能高手。三十多个职场案例，一百五十多分钟的操作视频，二百四十多条实用提示词， 四百五十多张彩图。 ai 的 出现，就像五十多年前的互联网一样，它能帮我们获取知识，解决问题，是我们以后都要熟知的，早买早受益。认准人民邮电出版社，这个价到手又省了两杯奶茶钱！

有没有这样的焦虑？ ai 工具一个接一个的出，今天学豆包，明天刷到极梦，后天又听说扣子能定制助手，每个都下载了，每个都用过一两次，然后就没有然后了，时间花了不少，效率一点没提。如果你也有这种感觉，今天这本书就是你的解药，它叫 ai 提效手册。这本书做了一个特别聪明的设计，不讲大道理，只教你怎么干。 五款国产主流 ai 工具，豆包、极梦、剪映、非书、扣子五合一打包，每一款都按照实战案例加步骤拆解的方式，手把手带你过一遍真实职场场景。 写报告卡壳了，豆包帮你搜集资料，润色文稿一键生成 ppt 要做海报不会 ps 即梦输入一句话，商品主图、职业形象照，甚至古风短片， ai 帮你画出来。剪视频太费时间，剪映的智能字幕口播剪辑数字人讲解，几分钟搞定。专业级成片 团队协助，一团乱麻非输，把 ai 融入数据处理知识库建设，一个人能干三个人的活。还有扣子，你可以定制一个专属助手，自动写公文，分析客户反馈，搭建自动化工作流，把重复劳动全交给 ai。 有读者评价说，这本书实操性强，落地性不错。还有人说，看了目录，直接跳到需要的章节，照着做，马上见效。更贴心的是，随书送了一百五十多分钟实操视频，两百四十多条提示词，四百五十多张高清彩图， 每个场景都有视频演示提示，此复制就能用，真正做到了，一看就懂，一学就会。现在这个时代， ai 不是 会不会的问题，是用不用的问题。这本书不教你成为 ai 专家，但它能帮你成为那个会用 ai 的 人，把重复的交给工具，把精力的留给创造，带你读好书，看透这个被 ai 重新定义的世界。

周末在家顺手用豆包建了个自己的知识库，没想到好用到起飞，要不是没时间，早就想搭建自己的知识库了。说实话，之前一直用的往夜班，总担心隐私问题得不到保障，这次下班早早回家直接开干，把之前整理的文档丢进去，让他自己整理， 想问啥问啥，搭建个人知识库，狠就狠，再不需要服务器，在自己电脑就能跑代码其实也并不复杂，我搭的时候就顺手把步骤整理好了，保姆级教程，小白也能跟着动手搭一个自己的知识库，图文结合不讲虚的，完整版 pdf 我 都整理好了，留个知识库直接暴走！

上班摸鱼，顺手用豆包搭了个自己的知识库，没想到还挺好用。近几年自建知识库特别火，为了搞懂大模型是怎么回事，我也亲手搭建了一个。现在大多数人还在用网页版 ai， 总觉得个人隐私和安全没保障。我专门花了两小时把从零开始搭建大模型的步骤捋了一遍， 整理成了一份小白就能跟着做的教程，按照步骤就能在本地电脑跑起大模型还能配一个专属的问答知识库。如果你也想从零开始动手搭一个，留下学习直接抱走。

看了春晚的都知道大模型活出了圈，正好趁着假期没事干，我就随手用豆包搭了个本地知识库，真的好用到哭。其实啊，自建知识库早就不是技术大佬的专属，普通人也能轻松上手， 零门槛搞定。我还特意花了三个半小时把完整步骤都整理好了，小白跟着一步步来就能在自己电脑上顺利跑起。大模型还能搭一个专属问答知识库，不管是存笔记、查资料都特别方便，感兴趣的朋友不妨也动手试试。