本文将基于阿里云百炼的智能体应用开发能力，快速创建一个能回答私有知识的智能问答应用。
大语言模型无法直接回答私有知识领域的问题，但您可以借助阿里云百炼的智能体应用构建能力和私有知识文档，零代码构建一个能回答私有领域问题的大模型问答应用。
大语言模型（LLM）的知识来源于训练数据，不包含任何私有、特定领域或最新的信息。因此，直接向其提问关于特定产品或内部知识的问题，会得到不准确或虚构的回答。
检索增强生成（Retrieval-Augmented Generation, RAG）是一种将外部知识库与大语言模型相结合的技术。它通过检索相关信息并将其提供给模型，使模型能够基于给定的私有知识进行回答，其核心原理如下：
您已经掌握了构建基础 RAG 应用的核心流程，接下来可以：
问：为什么应用回答不准确，或者没有使用知识库中的知识来回答？
答：这可能是由 RAG 管道中的多个环节导致的：
为什么大模型无法回答私有知识？
核心概念
大语言模型（LLM）的知识来源于训练数据，不包含任何私有、特定领域或最新的信息。因此，直接向其提问关于特定产品或内部知识的问题，会得到不准确或虚构的回答。
如何解决：RAG（检索增强生成）
检索增强生成（Retrieval-Augmented Generation, RAG）是一种将外部知识库与大语言模型相结合的技术。它通过检索相关信息并将其提供给模型，使模型能够基于给定的私有知识进行回答，其核心原理如下：
- 数据处理与向量化：上传的文档经过自动化处理，系统会将其切分成数据块（Chunks），然后使用一个嵌入模型（Embedding Model）将每个数据块转换为数学向量，存储于专门的向量数据库中。
- 检索：当接收到问题时，系统同样将问题向量化，然后在向量数据库中检索与问题向量最相似的 Top-k 个文档数据块。
- 生成：系统将原始问题和检索到的文档片段组合成提示词（Prompt），提交给模型，最终生成答案。
效果展示
| 无 RAG 问答应用 | RAG 问答应用 |
|---|---|
| 在没有专属知识库时，大模型无法准确回答"阿里云百炼手机"的问题。 | 引入专有知识库后，大模型就能准确回答"阿里云百炼手机"方面的问题。 |
创建私有知识问答应用
创建智能体
1
创建空白应用
访问应用管理页面。点击创建应用，在智能体应用页签中点击立即创建。
2
选择模型
为应用选择大语言模型，建议您选择通义千问-Max模型。
使用大模型会产生计费。阿里云百炼提供了限时免费额度。如需查询免费额度，请您前往模型广场，点击每个模型卡片的查看详情。
3
设计Prompt（提示词）
也称为System Prompt，用于定义应用的角色和任务。建议设置Prompt（提示词）为："你是一位阿里云百炼手机导购，任务是帮助客户对比手机参数，分析客户需求，推荐个性化建议。"
4
配置欢迎语和预设问题
您可以设置智能体的欢迎语，并以您的常见问题作为预设问题，以便快速开展对话。
- 欢迎语：你好，我是阿里云百炼手机选购向导！我在这里帮助你选购心仪的阿里云百炼手机。
- 预设问题1：阿里云百炼手机有哪些款式？
- 预设问题2：请你为我推荐一款性价比最高的手机。
- 预设问题3：请你帮我挑选一款拍照效果最好的阿里云百炼手机，价格在3000元以内。
5
测试应用
您可以在右侧点击任意问题发起提问。
由于缺少"阿里云百炼手机"的相关知识，阿里云百炼应用的回答较为笼统，甚至可能无中生有。接下来，我们将引导您配置知识库。
创建知识库
1
访问知识库页面
访问知识库页面。点击创建知识库构建您的专属知识库。
2
填写知识库名称
填写知识库名称，点击下一步。
本教程中将知识库名称设置为"阿里云百炼手机"。创建知识库向导提供了默认配置，在本教程中您无需改动这些设置。
3
选择类目
在选择类目下勾选默认类目，点击下一步。
在这一步中，请选择构建知识库的知识文档数据。创建知识库向导提供了默认配置，在本教程中您无需改动这些设置。
4
选择切分策略
选择智能切分，点击导入完成，即可成功创建知识库。
"智能切分"为系统预置切分策略，经评测对于多数文档可获得最佳的检索效果。
5
等待解析完成
根据您上传的文档大小，阿里云百炼需要一定时间解析内容，通常占用1~2分钟，请您耐心等待。
为智能体配置知识库
1
进入应用配置
访问应用管理页面。查找到您创建的"阿里云百炼手机选购向导"应用，点击配置，进入应用配置界面。
2
添加知识库
点击知识 > 文档旁的 + 按钮，再添加知识库，即可完成配置。
测试与发布
1
测试问答效果
在右侧点击任意问题发起提问，例如："请你帮我挑选一款拍照效果最好的阿里云百炼手机，价格在3000元以内。"引入知识检索增强后，阿里云百炼应用能够准确地回答您的选购问题。
2
发布应用
确认内容变动无误后，点击发布。
最佳实践
您已经掌握了构建基础 RAG 应用的核心流程，接下来可以：
- 优化 RAG 效果：了解如何在查询、检索、召回、重排等阶段优化 RAG 效果，详情可参见知识库效果优化。
- 配置更多工具：为智能体配置插件、MCP 等外部工具，进一步扩展大模型的能力。
- 探索更强大的应用：使用工作流应用实现复杂的流程编排，使用高代码应用以编码的方式构建复杂的 AI 服务。
- 外部调用与集成：通过 DashScope SDK 或 HTTP 请求，将应用集成至业务系统。
常见问题
问：为什么应用回答不准确，或者没有使用知识库中的知识来回答？
答：这可能是由 RAG 管道中的多个环节导致的：
- 文档分块时破坏了语义完整性。
- 嵌入模型未能准确捕捉文本的核心语义。
- 检索环节未能召回最相关的文档片段。
- 使用结构化较好的文档（如 Markdown、JSON）。
- 在知识库配置时，选择自定义配置模式，通过选择不同的嵌入模型、设置不同的排序配置来调试应用回答效果。