作者回复: 谢谢你的认可。 沉淀下来的知识怎么在需要的时候被准确调出来，这个算是一个 Agent 开发的通用问题，不是 FDE 自己的特有问题。第 10 讲讨论四层知识库时提到过一部分，但的确没有单独展开，我说一下个人理解。 知识能不能被准确调出来，我觉得主要不取决于检索技术，而取决于沉淀的时候有没有把“什么时候用”一起写进去。一条 know-how 如果只是一篇文档，Agent 检索到的就只是文档片段；如果写成了 Skill 这种形态，适用于什么场景、出现什么信号就该启用、边界条件是什么，都写清楚了，模型在面对具体问题时才有依据去匹配。第 10 讲说的“场景到解法”映射，其实也是同一个意思。 至于检索本身，我们自己的经验是，先看知识的规模再选方案。神策做 ChatBI 的时候，试过把指标定义放进向量库做 RAG，结果准确率反而下降，因为召回不稳定，等于把精准的知识换成了带噪声的知识。后来改成结构化的指标库，再给模型一份摘要目录，规模不大的时候直接放进上下文让模型自己挑选，规模大了才按业务域分级加载。这部分我在公众号的一篇分享实录里写得比较细。 另外还有一层是上下文。同一条知识，谁在问、在什么业务场景下问，答案可能不一样，所以第 10 讲才会说要维护用户画像和多口径。至于调出来的对不对，最后还是要靠第 11 讲说的评估集来检验。这些加在一起，才算是把“召唤”这件事做完整。 这个话题的确值得单独展开，后面有机会我再专门聊一聊。