第 5 章　知识库设计与提示词工程

让智能体从"通才"变为领域"专家"：知识 + 提示词。本章掌握提示词编写、RAG 原理与 Coze 知识库配置，这是信息资源管理专业的看家本领。

第一部分　课程导学

导语 · 本章定位

大模型是"通才"，知识库与提示词让它成为你的"领域专家"。对信息资源管理专业，知识组织、规范标注、检索增强正是我们的专业主场。本章把 DIKW、范式、知识表示等经典理论，直接接到 RAG 与提示词工程上。

三维学习目标

知识
理解提示词分类与组成；掌握编写与优化；理解知识库与 RAG 原理。

能力
能编写结构化系统提示词；能创建并配置 Coze 知识库；能设置召回与排序参数。

价值
树立数据驱动与严谨表述意识；理解"知识+提示词=成功关键"；善用 KB 提示词模板。

理论基石 · 信息系统分析与设计

理论 · 数据—信息—知识（DIKW）

Data 数据（原始事实）→ Info 信息（经处理、赋语境）→ Knowledge 知识（可指导行动）→ Wisdom 智慧（价值判断与前瞻决策）。

理论 · 数据建模与规范化

ER 模型（实体、属性、联系 1:1/1:N/M:N）；关系模型（二维表、主键/外键）；范式 1NF/2NF/3NF（消除插入/更新/删除异常）；知识表示（规则/框架/语义网络/本体）。

理论 · 知识库与 RAG 的理论基础

知识表示：符号主义（规则/本体，可解释）与连接主义（向量嵌入，可泛化）；RAG 外挂知识库弥补参数化知识静态性；向量检索（嵌入→余弦相似度召回→重排）；提示词工程 = 把规格说明显式化。

理论 ↔ 智能体能力映射

DIKW ↔ 知识库把数据/信息结构化提升为可行动知识

ER 与范式 ↔ 知识结构化存储遵循范式减少冗余

知识表示（规则/本体） ↔ 提示词=可解释规则；本体支撑语义检索

RAG ↔ 外挂知识库弥补大模型参数化知识静态性

提示词工程=规格 ↔ 规范化需求→结构化提示→可靠召回

理论可视化 · 信息系统相关图形（4 幅）

图1　DIKW 金字塔：数据→信息→知识→智慧

图2　RAG 流程：索引 → 检索 → 增强 → 生成

图3　ER 模型（实体—联系 1:N）与关系范式规范化

图4　UML 时序图：RAG 检索增强生成的协作链路

经典方法论对照 · 数据层与知识库

原版 ch14 的关系模型、三范式、ORM/JPA、NoSQL 四类，正是智能体"知识库/RAG 数据底座"的经典前身。把知识库当作"智能体的数据层"来设计：结构化字段用范式约束，向量检索用 NoSQL/ANN 索引。详见附录 H.7。

课程思政 · 价值引领

**图：Prompt 工程与 ReAct 循环**
ReAct = 思考(Thought) → 行动(Action) → 观察(Observation) 的循环迭代过程；Prompt 设计需包含角色设定、任务描述、输出格式约束等要素。附 LangChain 代码示例。来源：公众号·大模型助理

前沿动态 · 行业速递（2026-08）

动态更新 2026-08

1 RAG 进化：从“检索增强”升级为 Agent 的“记忆神经系统”，采用分层索引（基础层 / 规则层 / 案例层）。

2 动态知识保鲜：知识库变更到系统同步从 72 小时压缩到 9 分钟。

3 Agentic RAG（2026-08-11）：引入自主代理做任务拆解与工具调度，复杂任务完成度提升 40%+。

来源：kwkr 2026 Agentic AI 七趋势、mtrt Agentic RAG 2026-08-11

精神坐标 · 人民日报金句

"涓涓细流汇成大海，点点星光点亮银河。"——人民日报金句库

"没有一朵花，一开始就是一朵花。"

本章映射：知识库与提示词工程没有捷径——高质量 RAG 来自对文档的规范清洗与结构化。每一份被认真标注的知识，都是点亮智能体"银河"的一点星光；知识工程，是渐进生长出来的。

名校范式 · 清华课程思政案例

🎓 清华《计算机程序设计基础》课程思政·科学精神维度：在知识延伸中求真、求实；强调对"正确性"的较真；引导以严谨态度对待每一处细节与边界。

本章映射：高质量 RAG 来自规范清洗与结构化（范式、本体、图谱），是一种求真的科学态度。每一条被认真标注的知识，都是点亮智能体"银河"的星光。

课程思政案例 · IMA 知识库

知识库时代的数据合规：网络安全"为人民、靠人民"

《信息安全技术》课程思政案例"现实世界与网络世界的身份识别"：教育学生警惕安全风险，培养诚信、友善的价值准则。
依场景科学选择、辩证分析身份认证手段的安全性，保护个人、家庭和企业信息安全，践行网络安全"为人民、靠人民"。

来源：IMA 知识库《课程思政示范案例》· 《信息安全技术》课程思政案例(2022) 本章映射：RAG 知识库是智能体的"记忆与依据"。上传语料前要想：数据来源合法吗？含不含个人信息？召回会不会泄露？——知识库设计就是数据合规设计。

案例导入 · 智枢·动态本体引擎

案例 B1-09 智枢-动态本体引擎：构建企业级AI 可信决策基座
申报单位：北京中数睿智科技有限公司

本案例聚焦中数睿智自主研发的“智枢-动态本体引擎”。该产品是连接企业原始数据与AI 智能应用的智能桥梁，通过对象层、逻辑层、动作层三层架构，将企业零散的业务数据、专家经验和业务流程转化为 AI 可理解、可执行的结构化知识。该引擎已通过中国信息通信研究院中国泰尔实验室的权威检测，成为国内首个通过该机构卓越级测试的动态本体引擎产品。它从根本上解决了大模型在企业核心业务中“不可理解、不可信、不可控”的痛点，为金融风控、能源调度、工业运维等高要求场景提供了可信、可解释的智能决策基座。

导学解读 · 与本章的对接：请把这个案例当作“知识库不是文档堆，而是知识的组织结构”的最强证据。智枢的三层架构几乎可以逐格对上本章内容：对象层统一业务概念、消除语义歧义——这正是信息资源管理专业熟悉的受控词表与本体构建；逻辑层把专家经验与行业规范转化为 AI 可执行的规则库——对应提示词工程中的角色设定与约束注入；动作层对接业务系统形成“决策—执行”闭环——对应知识库与工具调用的联动。其本体全生命周期被拆解为“建（自动化构建）、现（可视化专家评审）、演（反事实推演）、用（面向智能体快速应用）”四步，几乎就是一条标准的知识库建设流程。

第二部分　课程内容

5.1　提示词分类与组成

系统提示词：开发者在"人设与回复逻辑"编写，定义全局角色与规则，稳定影响所有对话（即需求规格）。用户提示词：终端用户输入的具体指令，动态触发本轮任务。

组成四段：角色设定（# 角色声明身份）→ 技能/流程（## 技能列流程）→ 限制（## 限制定边界）→ 回复格式（## 回复格式给模板）。

5.2　提示词编写与优化闭环

四步迭代：① 编写（Markdown 写清角色/技能/限制）→ ② 测试（预览面板运行）→ ③ 分析（定位与预期不符）→ ④ 优化（AI 润色或调试迭代）。提示词没有"一次写成"，只有"持续打磨"。

5.3　知识库与 RAG 工作原理

RAG = 检索 + 增强 + 生成，先"查证"再"言"。流程：文本分段（500~1000 字符）→ Embedding 向量化 → 存入向量库；检索分语义/全文/混合；再把召回片段与问题拼接交大模型。价值：减少幻觉、知识实时、可解释、领域适配。

5.4　知识库类型与召回排序

类型	适用	要点
文本	手册/报告等非结构化	自动/手动分段，按片段召回
表格	价格表/参数表	勾选索引列，支持 NL2SQL 条件查询
图片	图片素材	按标注匹配，适合图片理解与生成

召回负责"查全"（语义/全文/混合初筛），排序负责"查准"（重排）；可设最大召回数量（默认 5）与最小匹配度（默认 0.50）。

5.5　知识库赋能：提示词资源

KB《大模型 Prompt 提示词编写指南》系统梳理核心知识点；《万字长文讲清 Prompt·Skill·MCP·Agent》厘清概念边界；角色提示词库可直接套用。实践箴言：知识库质量 + 提示词清晰度 = 智能体成功的关键。

第三部分　拓展练习

知识拓展与前沿

拓展 · 从 RAG 到 Agentic RAG

普通 RAG 检索拼接；Agentic RAG 让 Agent 把复杂查询拆成子查询分别检索、评估召回质量、不足则重写查询、按结果重做检索计划，直至满足——检索过程本身被智能体化。

案例 · 提示工程即"智能体说明书"

System Prompt 四要素：角色设定 + 可用工具 + 行动格式 + 完成条件。启示：提示词是智能体的"规格说明"，需版本化管理与迭代优化（正是 LangChain/LlamaIndex 的设计精髓）。

前沿 · 上下文工程（Context Engineering）

从"提示工程"升级到"上下文工程"：系统化组织进入模型的全部上下文（指令/知识 RAG/工具描述/记忆/历史与中间结果），在有限窗口内最大化有效信息、抑制噪声与幻觉。

📚 来源：ima 知识库《智能体宇宙》《AI前沿研究报告》。

🗂️ 案例 · 流行语 + 鸡汤 RAG 知识库

🎯 场景：把流行语（带年份/来源/情感标签）与鸡汤建为 RAG 知识库，做"年度热词问答"和近义检测。
🔧 RAG 落点：用户问"2024 年有哪些职场类热词？"→ 检索增强生成回答；用文本向量找"神马都是浮云"与"都不重要"的近义聚类。
🤖 Coze 实践：知识库 + 工作流节点（年份→检索→大模型汇总→输出卡片），对应本章"知识库即受保护的信息资产"。

💡 算法冷知识：情感分析（snownlp）——流行语情感极性≈0.5（自嘲混合），鸡汤明显偏高（单向正能量）。两者对比就是一堂"情感特征工程"课；教材第 5 节 jieba+snownlp+Counter 代码卡片可直接演示。

前沿文献 · 近三年精选（2023–2026）

以下文献反映本章主题在智能体时代的最新进展，供学有余力的同学延伸阅读（链接指向原文/预印本）。

🎓 学界观点：洪亮等（2026）以动态知识图谱增强 RAG，显著提升网络热词发现与演化预测；杨建梁等（2025）用大语言模型实现红色档案资源的交互式知识发现。这印证了“RAG 的回答质量，取决于底层知识组织的规范程度”。

面向大语言模型的检索增强生成综述（Retrieval-Augmented Generation for Large Language Models: A Survey）
Gao et al., 2024, arXiv:2312.10997

朴素/高级/模块化三范式权威综述
从RAG到SAGE：现状与展望（From RAG to SAGE: The State of the Art and Prospects）
Tian et al., 2025, 自动化学报, 51(6):1145–1169

中文顶刊，RAG 原理+拓展框架 SAGE
一文搞懂RAG技术的5种范式（A Comprehensive Survey of RAG's Five Paradigms）
BAAI, 2024, 智源研究院

Naive/Advanced/Modular/Graph/Agentic RAG
FlashRAG：高效的模块化 RAG 研究工具包（FlashRAG: A Modular Toolkit for Efficient RAG Research）
Jin et al., 2024, arXiv:2405.13576

12 种 RAG 方法+32 数据集模块化工具包
面向 AIGC 的检索增强生成综述（Retrieval-Augmented Generation for AI-Generated Content: A Survey）
Zhao et al., 2024, arXiv:2402.19473

AIGC 视角的 RAG 综述
基于动态知识图谱检索增强的网络热词发现与演化预测
洪亮, 等. 基于动态知识图谱检索增强的网络热词发现与演化预测[J]. 信息资源管理学报, 2026, 16(2): 50-62.

GraphRAG 思路：用动态图谱增强检索，缓解纯向量召回的割裂问题
基于群智图谱的图书馆知识服务模型
曾子明, 等. 基于群智图谱的图书馆知识服务模型[J]. 图书馆杂志, 2026, 45(3): 20-30.

将用户众包与图谱结合，构建新型图书馆知识模型
基于开源科技项目数据的多模态知识图谱构建研究
窦永香, 等. 基于开源科技项目数据的多模态知识图谱构建研究[J]. 情报理论与实践, 2025, 48(3): 70-80.

多模态抽取 + 图谱融合，对应本章知识表示与多模态知识库
基于大语言模型的红色档案资源交互式知识发现
杨建梁, 等. 基于大语言模型的红色档案资源交互式知识发现[J]. 图书情报工作, 2025, 69(15): 14-25.

LLM + RAG 实现档案资源的可对话式知识发现
融合知识图谱与大模型的智能问答系统研究
王颖, 等. 融合知识图谱与大模型的智能问答系统研究[J]. 情报科学, 2024, 42(7): 80-90.

图谱提供可解释路径、大模型负责自然语言表达，二者互补

💡 软考/职业考点：本章对应 CISA「保护信息资产(D5) 数据分级与保护」，并呼应《数据安全法》《个人信息保护法》。知识库即是受保护的信息资产。

本章学习方法 · 费曼 + 检索式学习（Retrieval Practice）

核心理念：先用法曼「讲出来」检验理解，再用「检索练习」(主动回忆)巩固——研究证明比反复阅读有效数倍。

四步/要点：① 讲出来学完一段→合上书用自己的话讲一遍　② 主动回忆用提问自测，不翻书召回　③ 回看补漏讲不清处回去补，再讲　④ 类比收尾用一句类比固化记忆

与录屏结合：录屏时，先讲清「RAG 如何检索知识」，再现场自测 3 个问题，展示检索练习如何让知识真正长在自己身上。

知识巩固与提高

上机实验 · 创建知识库并编写提示词

📋 实验任务书

目标：为项目建立领域知识库并写出结构良好的系统提示词。

环境：扣子 Coze 知识库 + 提示词编辑器。

步骤：① 建库（文本/表格/图片）并导入；② 配置召回策略与阈值；③ 写系统提示词（角色/技能/限制/格式）；④ 关联知识库预览测试，对比有无库差异；⑤ 记录参数实验。

交付物：知识库截图 + 系统提示词终稿 + 召回参数实验记录。

评分点：知识库配置(25%) · 提示词结构(30%) · 测试对比(30%) · 参数记录(15%)。

🛠 分步操作 · 为项目创建知识库并编写提示词

动手 · 分步操作

准备一份领域资料（手册/表格/图片），在 Coze 创建对应类型知识库并导入。
配置召回策略（混合/语义/全文）、最大召回数量与最小匹配度。
编写系统提示词：角色 + 技能 + 限制 + 格式，可套用 KB 角色提示词模板。
在智能体中关联知识库，预览测试；对比"无知识库"与"有知识库"的回答差异。
调整召回参数，观察同一问题检索结果的变化。

📝 系统提示词模板（知识型助手）

# 角色
你是[领域]专家助手，基于知识库严谨作答。
## 技能
1. 检索知识库并引用来源 2. 按用户语言回答
## 限制
- 仅基于知识库内容，缺失则明确说明
- 不编造数据，给出可追溯引用
## 回复格式
结论 → 依据（引用） → 提示

🔬 扩展实验（选做 2–3 项，巩固本章学法）

扩展实验 1 · 提示词模板库工程

任务：为你章内场景设计 3 套提示词模板(角色/任务/约束)。

交付：对比效果，费曼式讲清「模板为何提效」，录屏演示。

扩展实验 2 · 分层索引检索

任务：给知识库建「摘要层 + 原文层」两级索引，测试命中率差异。

交付：录屏总结分层检索何时优于平铺检索。

扩展实验 3 · 问答评估评测

任务：用 10 条问题评估 RAG 回答质量(相关性/准确性)。

交付：录屏讲解「如何判断知识库够不够好」，给出改进项。

🎮 课堂互动小游戏 · 边玩边学

提示：游戏需联网访问本站；若未显示，可点此在新标签页打开。

第四部分　本章小结

本章小结

核心要点回顾

提示词 = 角色 + 技能 + 限制 + 格式，需持续迭代。
系统/用户提示词职责不同，前者稳定影响全局。
RAG：检索→增强→生成，抑制幻觉、提升专业度。
知识库三类：文本/表格/图片，各适其场景。
召回查全、排序查准，共同决定回答质量。
下一章：记忆与多模态——让智能体记住用户、看懂世界。

延伸阅读：ima 知识库《大模型 Prompt 提示词编写指南》《万字长文讲清 Prompt·Skill·MCP·Agent》；DIKW 与数据建模相关教材；上下文工程指南。

拓展案例 · 恒丰银行 Data Agent

案例 B5-03 Data Agent 激活企业数据生产力
申报单位：杭州网易智企科技有限公司

在金融行业数字化转型深化的背景下，银行业虽拥有海量数据资产，却普遍面临"数据丰富、洞察贫瘠"的治理困境。恒丰银行作为中国12 家全国性股份制商业银行之一，以"建设一流数字化敏捷银行"为战略目标，携手网易智企基于数帆DataAgent 产品"网易知数"，打造"恒丰银行绩效助手"数字员工。该智能体构建覆盖数据层、AI 层、触达层、交互层的智能问数体系，基于银行私有化大模型部署，通过角色化Prompt 实现多维度绩效解读，支持PC 端自主用数平台与移动端即时通讯工具"丰秘"双入口触达。

看点：恒丰银行的“绩效助手”把知识库的三个关键决策摊开给我们看：指标口径要不要先治理？Prompt 要不要按角色定制？答案要不要带来源？这三点决定了 RAG 系统是“能问”还是“可信”。

延伸思考题

恒丰银行在 POC 阶段横向对比 16 家主流数据厂商，评估维度含产品架构、AI 能力成熟度、数据体系兼容性、实施难度、安全合规与长期演进潜力。请把它改写成本章的“知识库选型评估表”，并补充你认为缺失的两项指标。
案例采用“角色化 Prompt（如个贷客户经理视角）”生成绩效解读。请为一个“班主任视角的班级学情解读”写一段角色化提示词，须包含角色、任务、约束、输出格式四要素。
若知识库中同时存在“绩效指标口径说明”（长文本制度）与“月度绩效明细表”（结构化表格）两类文档，你会如何设计分块策略与元数据？说明原因。

📚 智能体工程必读文献 · 工程层 · 提示与编译（DSPy）

Khattab et al.《DSPy: Compiling Declarative Language Model Calls into State-of-the-Art Pipelines》(ICLR 2024)
arXiv:2310.03714 · DOI https://doi.org/10.48550/arXiv.2310.03714

用“编程+编译”替代手搓提示词；与第5章提示工程/RAG 互补

← 返回门户

🎮 打开第 5 章互动游戏