# 概述
AgentArts是一个企业级智能体平台，打破了传统开发壁垒，支持Agent开发人员通过可视化、低代码的方式，快速搭建从简单助手到复杂业务流的各类AI应用。在这个平台上，知识库功能是最核心的企业私有知识接入能力之一，它解决了大语言模型（LLM）一个本质性的短板：模型的知识边界被锁定在训练数据中，无法感知企业内部文档、私有数据或训练截止后的最新信息。
知识库通过检索增强生成（RAG）技术，在智能体推理之前先从外部文档中检索最相关的内容，将其作为上下文一并提交给大模型，从而使智能体的回答能够有据可查、有源可溯。AgentArts提供的知识库功能对文本文档、FAQ等数据进行向量化存储和知识检索，支持为应用、工作流提供检索增强能力。无论是文本文档、演示文稿，还是电子表格文件，用户都可以轻松地将数据导入知识库，无需额外的转换或格式处理。
然而，知识库技术能力再强，最终效果的上限仍由源文档本身的质量决定。结构混乱、语义模糊、冗余矛盾的文档，会让检索系统召回错误的内容，进而导致大模型生成偏差甚至幻觉的回答。源文档的写作质量，是整个RAG链路中最直接、最低成本的优化维度。
本案例聚焦于如何为AgentArts知识库编写和整理高质量的源文档，提供一套可落地执行的写作最佳实践，帮助开发者、知识管理人员以及解决方案架构师在不改动任何技术架构的前提下，系统性地提升RAG应用的检索准确率与回答质量。对源文档的针对性优化，是智能体RAG架构中最直接可控的优化手段。
**目标受众：**
本案例适合以下角色阅读：
- AI应用开发者：正在使用AgentArts构建知识库问答智能体或知识检索工作流的工程师。
- 知识管理人员：负责企业文档整理、知识归档与知识库维护的业务或运营人员。
- 解决方案架构师/数据工程师：希望系统性提升企业RAG应用效果、指导团队建立文档规范的技术决策者。
用户应对向量检索的基本概念和大模型提示词有基础了解，建议结合AgentArts官方文档中的[知识库介绍](https://support.huaweicloud.com/lowcode-agentarts/agentarts_05_0148.html)一并阅读。
参考本案例，您将能够实现：
- 提升回答准确率：通过提供结构清晰、语义明确的源文档，直接改善知识库的检索召回精度，减少大模型产生幻觉的概率。
- 增强领域知识理解：通过在文档中显式定义业务术语、缩写与专有名词，帮助大模型准确理解企业私有知识体系，而非依赖通用训练数据进行猜测。
- 降低维护成本：通过统一文档格式与结构规范，使知识库的长期更新和版本管理更加高效，减少因文档混乱导致的重复整改。
- 提升系统可扩展性：通过将大型综合文档拆解为自包含的小型知识单元，改善知识库的分段质量，使系统在文档数量增长时依然保持稳定的检索性能。