除了使用外部的mcp工具，还可以利用内部创建的知识库来使智能体的回答更加准确。例如创建常见的客服问答文档，这样就可以利用知识库部署一个用于客服的智能体。有一些使用场景非常适合使用知识库，例如：智能客服、虚拟角色、垂直场景。

那么智能体是如何使用知识库的呢？智能体对知识库的使用主要通过存储和检索两个核心步骤实现，使用向量存储保证语义的相似，以及Elasticsearch保证精确匹配。

一.存储

1.向量存储（Milvus）
1）分段处理：将知识库内容（如文档、文本）分割为固定长度的片段（如 500 字 / 段），或者是按照语义分片（先把文件按照句号拆分，然后使用embedding模型得到每一句的向量，计算相邻两句的预先，如果大于设置的阈值，就合并这两句）

2）向量化转换：使用深度学习模型将每个片段转换为高维向量，简单讲就是把一段话转换为一个向量化的double数组

3）向量数据库存储：将向量化后的片段存入向量数据库

2.ES存储
1）文本索引：将分段后的原文内容存入 ES，建立关键词索引，支持关键词快速检索

实现细节：

知识库文档的解析可以拆成一个微服务，主要有两个过程：文件上传和文件解析。文件上传就是把文件上传到一个共享的文件夹，重点的是文件的解析。通常使用定时任务触发文件的解析，首先从文件夹读出一个未处理的文件，然后将文件按照分片类型进行分片，包括默认分片（固定500字符左右一个分片）、自定义分片（按照固定的字符分片）、语义分片。语义分片先把文件按照一句话拆分开，然后使用embedding模型得到每一句的向量，计算相邻两句的余弦，如果大于设置的阈值，代表这两句的语义是相似的，就合并相邻的两句。再次调用embedding模型来计算每个分片的向量，最后把分片存入milvus和es。

二.检索

1.向量检索

将查询也向量化，按照余弦相似度，召回相似的片段

2.es搜索

根据倒排索引快速定位包含查询关键词的片段，再通过评分算法（如 TF-IDF、BM25）计算片段与查询的相似度，衡量关键词出现频率、重要性等。

3.重排序

将向量搜索、es搜索这两路的召回结果合并，发送给重排序的大模型进行评分，然后重排序出和查询最相关的top-k的分片