客服Agent实战系列 04-知识库插件

上一篇我们实现了意图识别，Bot知道用户想做什么了。这一篇来解决更核心的问题：用户问"如何修改密码"，Bot怎么从FAQ知识库中找到答案？这就是RAG（检索增强生成）——客服Bot的"大脑"。

1什么是RAG？为什么重要？

RAG（Retrieval-Augmented Generation，检索增强生成）是2026年最主流的AI知识问答方案。它的核心思想：先检索，再生成。

图：RAG检索流程

RAG的工作流程：

三个步骤：

1. 检索：从知识库中找到与用户问题相关的文档

2. 增强：将检索到的文档作为上下文，提供给大模型

3. 生成：大模型基于上下文生成答案

2FAQ知识库的结构

客服场景的FAQ知识库相对简单，我们用JSON格式存储：

json[
  {
"id": "faq_001",
"question": "如何修改密码？",
"answer": "您可以通过以下步骤修改密码：\n1. 登录账户\n2. 进入「账户设置」\n3. 点击「修改密码」\n4. 输入原密码和新密码\n5. 点击确认保存",
"category": "账户相关",
"keywords": ["密码", "修改密码", "改密码", "忘记密码"]
  },
  {
"id": "faq_002",
"question": "如何申请退款？",
"answer": "退款申请流程：\n1. 进入「我的订单」\n2. 找到需要退款的订单\n3. 点击「申请退款」\n4. 填写退款原因\n5. 等待审核（1-3个工作日）",
"category": "订单相关",
"keywords": ["退款", "退货", "申请退款"]
  }
]

FAQ知识库的关键字段：

3知识库插件的实现方式

2026年，知识库检索有两种主流方式：

图：知识库检索流程

客服场景我们选择关键词检索 + 向量检索的混合方案：

混合方案的优势：

1. 常见问题（关键词匹配）用关键词检索，速度快

2. 复杂问题（语义理解）用向量检索，准确率高

3. 检索结果融合，取最佳匹配

4实战：实现知识库插件

我们创建知识库插件：

plugins/knowledge_base/plugin.py：

pythonimport json
from pathlib import Path
from typing import List, Dict

classKnowledgeBasePlugin:
"""知识库插件"""

def__init__(self, faq_file: str = "data/faq.json"):
self.faqs = self._load_faqs(faq_file)
self.keyword_index = self._build_keyword_index()

def_load_faqs(self, faq_file: str) -> List[Dict]:
"""加载FAQ知识库"""
        path = Path(faq_file)
if path.exists():
with open(path, 'r', encoding='utf-8') as f:
return json.load(f)
return []

def_build_keyword_index(self) -> Dict[str, List[str]]:
"""构建关键词索引"""
        index = {}
for faq inself.faqs:
for keyword in faq.get("keywords", []):
if keyword notin index:
                    index[keyword] = []
                index[keyword].append(faq["id"])
return index

defsearch(self, query: str, top_k: int = 3) -> List[Dict]:
"""检索FAQ"""
# 第一步：关键词检索
        keyword_results = self._keyword_search(query)

# 第二步：向量检索（如果有向量数据库）
        vector_results = self._vector_search(query)

# 第三步：融合结果
        all_results = keyword_results + vector_results

# 去重并返回top_k
        unique_results = self._deduplicate(all_results)

return unique_results[:top_k]

def_keyword_search(self, query: str) -> List[Dict]:
"""关键词检索"""
        results = []
        query_words = query.split()

for word in query_words:
if word inself.keyword_index:
                faq_ids = self.keyword_index[word]
for faq_id in faq_ids:
                    faq = self._get_faq_by_id(faq_id)
if faq:
                        results.append({
"faq": faq,
"score": 1.0,
"source": "keyword"
                        })

return results

def_vector_search(self, query: str) -> List[Dict]:
"""向量检索（简化版）"""
# 实际项目中会调用向量数据库API
# 这里简化为返回空列表
return []

def_get_faq_by_id(self, faq_id: str) -> Dict:
"""根据ID获取FAQ"""
for faq inself.faqs:
if faq["id"] == faq_id:
return faq
returnNone

def_deduplicate(self, results: List[Dict]) -> List[Dict]:
"""去重"""
        seen = set()
        unique = []
for result in results:
            faq_id = result["faq"]["id"]
if faq_id notin seen:
                seen.add(faq_id)
                unique.append(result)
return unique

5集成到Bot中

将知识库插件集成到客服Bot：

src/bot.py（更新版）：

pythonfrom plugins.knowledge_base.plugin import KnowledgeBasePlugin

classCustomerServiceBot:
def__init__(self, config_path: str = "config/customer_service.yaml"):
self.config = self._load_config(config_path)
self.system_prompt = self._load_prompt()
self.intent_plugin = IntentRecognitionPlugin()
self.kb_plugin = KnowledgeBasePlugin()

def_handle_faq(self, user_input: str) -> str:
# 从知识库检索FAQ
        results = self.kb_plugin.search(user_input, top_k=1)

if results:
            faq = results[0]["faq"]
# 直接返回FAQ答案
return faq["answer"]

# 如果没找到，走大模型
return"抱歉，我暂时无法回答这个问题。建议您转人工客服获取帮助。"

6测试知识库效果

python# 测试知识库检索
from plugins.knowledge_base.plugin import KnowledgeBasePlugin

kb = KnowledgeBasePlugin()

# 测试关键词检索
print(kb.search("如何修改密码"))
# 输出：找到faq_001，返回修改密码的答案

print(kb.search("申请退款"))
# 输出：找到faq_002，返回退款流程

print(kb.search("配送多久"))
# 输出：找到faq_003，返回配送时间说明

# 测试完整Bot
from src.bot import CustomerServiceBot

bot = CustomerServiceBot()
print(bot.chat("如何修改密码"))
# 输出：您可以通过以下步骤修改密码...

7RAG的优化方向

三个优化方向：

1. 向量检索：使用向量数据库（如Pinecone、Weaviate）进行语义检索

2. 重排序：使用CrossEncoder对检索结果进行重排序，提高准确率

3. 答案生成：不只是返回FAQ原文，让大模型基于FAQ生成更自然的答案

8总结：知识库是Bot的"大脑"

本篇要点：

1. RAG是主流方案：先检索，再生成，知识可更新

2. FAQ知识库结构简单：question、answer、keywords、category

3. 混合检索最优：关键词快速检索 + 向量语义检索

4. 插件化设计：知识库作为独立插件，方便扩展

5. 持续优化：增加FAQ数量、引入向量检索、优化答案生成

下一篇，我们来写对话管理——如何让Bot记住对话历史，处理多轮对话。

客服Agent实战系列
01 · 项目初始化02 · Bot定义：System Prompt设计
03 · 意图识别插件
04 · 知识库插件 ← 你在这里
05 · 对话管理
... 共14篇

前置系列：Agent开发系列 11：RAG检索