每个IP都需要AI分身，每家企业都需要AI客服

每个IP都需要AI分身，每家企业都需要AI客服。半年后再来看这句话，你会发现它可能是这一轮AI技术落地最真实的写照。从超级个体到超级组织，AI分身与AI客服的普及正在加速——而推动这股浪潮的，不是模型厂商，而是云厂商。

就拿我自己的实践来说，我在公众号里加装了一个AI分身。这个智能体应用的背后，正是腾讯云大模型知识引擎在驱动。这一年的变化有多大？回忆一下，一年前刚开始做视频讲AI的时候，市面上可用的RAG工具少得可怜，得靠自己反复组合、调试才能满足一点定制需求。当时我甚至动过手搓一套系统的念头。但今天再看，RAG已经变成了“RAG as a Service”——开箱即用的产品遍地都是。比如我用的这个智能体应用：模型选的是“精调知识大模型高级版”，同时打开了“上下文改写”，把记忆轮数加到10轮。这个模型就是专门为RAG训练出来的。如果你觉得上下文不够用，还能换成256K长文本版的混元大模型，长度绝对够用。

光看这一串列表，你就能理解为什么大厂非要搞基础模型研发了。多少业务场景在等着特定的大模型来“开锅”？这种战略主动权，不抓在自己手里，脑子真的坏掉了。

知识库的设置上，我选了“文档”，因为手头都是现成的视频脚本。如果你原本就有人工客服，想转成AI客服，那肯定有QA资料，对吧？这时就可以选“问答”模式。一般来说，问答类型的资料对提升检索精确度更有帮助。后续我也会慢慢积累一批关于AI的问答，根据我自己的知识储备和对AI的理解来调整，目标是让这个AI分身尽可能接近我的认知。

召回设置涉及两个关键参数：一个是召回数量，即召回多少个切块给模型；另一个是检索匹配度，即相似度达到什么数值才被纳入。至于切块大小，你根本不用操心——腾讯云知识引擎会根据语义、根据整篇文章的意思自己判断从哪里切割，不会硬生生截断上下文上下文意思。这一点我非常欣赏。如果你用过其他RAG工具，就知道决定切块大小有多纠结了。

最后，我打开了“搜索增强”。这意味着模型在回答时，除了参考我给定的知识库，还会调用微信搜一搜和搜狗搜索的能力，从微信生态内——比如海量的公众号文章里——补充更多信息进来。之所以这样做，是因为我不想让AI分身变成一个只会鹦鹉学舌的机器。如果是AI客服，你完全可以不打开，这样更可控、更保险。

搞定基础设置后，千万别急着上线！记得先做评测。导入样本集，创建评测任务，看看模型回答的准确率有多高。如果准确率不达标，要么回去改设置，要么去改资料。说实话，我见过太多人搞了RAG之后大骂没效果、AI胡说八道。绝大多数都是因为想当然地认为，把资料全喂进去就万事大吉。在真实世界里，技术还没到那么傻瓜的程度，你必须做评测、做调试。

正式上线后，还会遇到用户对回答不满意的情况。这时就需要用到“效果调优”功能了。在这个页面里，你能看到所有用户不满意的回答。之前说的评测是模拟场景，这儿才是实际业务。两者结合起来，才能把AI分身或AI客服调到最佳状态。腾讯云能想到这一点并把它产品化，真的是功德无量。

回到今天的主题：腾讯云大模型知识引擎。很多人都在关注C端市场的AI应用，但我更多在观察B端。原因有两个：第一，现阶段AI能力距离市场期待还有不小的距离，C端很难出现能解决大问题的现象级产品；第二，B端对AI有明确需求，赛道清晰，回报可观，更有可能出好产品。对于像我这样的“个体户”来说，用上企业级产品就是一种降维打击——这也是我推荐大家试试看的原因。

腾讯云大模型知识引擎是一款PaaS产品。刚才介绍的只是RAG的基础功能，如果你理解原理，操作起来非常容易，快的话十分钟就能搞定。但如果你想对这个智能体应用有更清晰的指导，想把你的SOP教给AI，那一定要试试工作流管理功能。

举个典型例子：图书馆客服服务。用户找图书馆一般有三种需求：借书、还书、或咨询相关规则。在这个画布上，你可以看到三条路径，对应三种服务。工作流开端，AI会先根据用户的询问做一个条件判断，决定进入哪条路径。以借书为例：整个流程里，AI会主动引导用户提供信息——先问借什么书、借多久。因为涉及时间，用户表述可能五花八门，比如两周、一个月，所以需要一个参数归一化，把所有表述统一成天数。接着，AI根据书名和借书时长去调用接口，查询能不能借。如果能借，就走上方分支，要求用户提供账号ID；如果不能，就走下方分支，问用户要不要换一本书。我在调试页面里演示了一下对话效果，大家感受一下。

任何涉及流程的交互，都可以变成工作流。比如很多人问我怎么学AI，如果我用AI分身处理这个问题，就可以把工作流用上，根据我本人的回复和理解，设计一系列条件判断和分支路径，全部教给AI。所以一定要把思路打开，别觉得这套东西只能用在客服上。更厉害的是，一个智能体应用可以挂载N个工作流——你可以设想多种场景，创建多个工作流，AI会根据对话内容自主判断进入哪一个。可玩性太高了！

知识库加工作流，就是目前智能体的全部能力。前者对应知识，后者对应经验。腾讯云知识引擎把这些都打包好了，用户只需要把精力放在设计、调试和调用上。

调用方面，知识引擎以API为主，毕竟是PaaS。如果你开发能力强、有特定需求，可以只选择“原子能力”。包括：多轮改写——针对用户提问不完整的情况，模型结合上下文语义完整还原，非常实用；Embedding和Rerank——一个做文本向量化，一个做召回切块重排序，都是RAG的必备能力；文档解析——这点很容易被忽略，但好的解析是一切RAG的起点。腾讯云在这方面很有优势，市面上不少知名AI产品都在调用他们的文档解析技术，能把各类文档转成Markdown格式，还能解析表格、图片、页眉、页脚、标题等内容元素，帮了大忙，省去大量处理文档的时间。这四个原子能力的调用，腾讯云知识引擎都有详细文档说明，这里就不逐一演示了。

从本地大模型的使用到RAG引擎的部署，过去一年我分享了不少这方面的内容。到了年底，终于有厂商推出开箱即用的综合型产品了。有兴趣的话，可以亲自试试腾讯云知识引擎，相信不会让你失望。