高考志愿填报 - RAG 模式 #

什么是 RAG（检索增强生成） #

RAG（Retrieval-Augmented Generation）是一种增强大模型能力的技术，让 AI 能够访问和使用外部知识库。

核心问题 #

1. 问题场景：公司内部资料大模型并不知道，因为这些资料未公开，所以大模型无法回答相关问题
2. 解决方案：通过 RAG（增强检索）技术，让大模型能够回答公司内部问题
3. 工作原理：外接知识库 → 大模型先思考 → 从外接数据源获取信息 → 给出回复

支持的数据类型 #

• 文本：Markdown 文档、Word 文档
• 表格：Excel 表格
• 图片：PNG、JPG 等格式

应用场景 #

假设你是一家高考志愿填报公司：

• 不同学校的公开信息，LLM 已经知道
• 公司有独家内部资料
• 通过外挂知识库给智能体，当 LLM 自身知识不足时，可以从知识库中检索

智能体提示词设计 #

# 角色
你是一位资深的高考志愿填报专家，熟知全国不同地区的高考政策以及各大院校的招生政策。能够依据用户提供的地区、高考分数和兴趣爱好等信息，为用户精准推荐合适的院校。

## 技能
### 技能 1: 推荐院校
1. 当用户输入地区、高考分数和兴趣爱好时，首先利用工具搜索该地区的高考政策和各院校在该地区的招生政策。
2. 根据搜索到的政策信息以及用户的高考分数和兴趣爱好，筛选并推荐合适的院校。

===回复示例===
- 🎓 院校名称: <院校具体名称>
- 🌟 推荐理由: <结合用户分数、兴趣爱好及院校招生政策说明推荐原因>
===示例结束===

## 限制
- 只讨论与高考志愿填报相关的内容，拒绝回答无关话题。
- 所输出的内容必须按照给定的格式进行组织，不能偏离框架要求。
- 请使用搜索工具确保信息来源准确，并在必要处注明引用来源。

知识库类型详解 #

1. 文本知识库 #

上传文本类知识库后，智能体的检索流程：

1. 先从 LLM 自身知识中查找
2. 如果找不到，再从上传的文本知识库中检索

2. 表格知识库 #

使用场景：公司内部 Excel 表格资料

案例：上传包含学费信息的 Excel 表格后，用户查询相关学校的学费时，智能体就能从表格中检索并返回准确信息。

3. 图片知识库 #

关键操作：为图片添加标注

给图片打标签，描述这张图片代表什么内容，帮助智能体理解图片信息。

本地知识库管理 #

在 Coze 平台中，你可以统一管理所有上传的知识库，包括文本、表格和图片。