7.4 个人知识库问答助手

引言：为什么小白也能做一个"知识库助手"

传统"知识库问答系统"需要 RAG、向量库、Embedding 等工程师级技术。但小白版的"轻量知识库助手"通过 Prompt Blocks + 指令工程 + 信息注入 依旧可以构建一个稳定、可控、可用的轻量问答助手。

适用场景： 个人学习笔记问答、课程问答、公司内部小型知识库、产品说明问答、项目资料问答。

7.4.1 项目目标

构建一套轻量问答系统，能够：

1. 让用户上传资料（文本段落/课程总结/产品文档）
2. 自动提取知识点
3. 储存在提示词内部
4. 用户提问时从这些资料中检索、总结、回答
5. 严格限制不允许编造
6. 保证回答稳定、结构清晰、引用来源明确

7.4.2 任务拆解

子任务	说明
资料解析	从原文中提取关键点
信息结构化	整理为知识库格式
用户提问分析	识别意图
匹配知识库信息	从内容中找答案
结构化回答+自检	生成回答并检查

7.4.3 Prompt Blocks 设计

模块 1：知识内容解析模块

【模块：资料解析】
请从用户提供的资料中提取：
1. 关键概念
2. 重要定义
3. 核心观点
4. 关键步骤或流程
5. 示例（如有）
【限制】禁止推测资料外的内容

模块 2：知识结构化模块

【模块：知识库结构化】
请将提取内容整理为以下结构：
- 概念：
- 定义：
- 核心观点：
- 步骤/流程：
- 示例：

模块 3：提问理解模块

【模块：问题分析】
请分析用户问题：
1. 问题类型（定义/原理/步骤/对比/应用）
2. 相关知识点
3. 用户缺失的信息

模块 4：知识匹配模块

【模块：知识匹配】
请从知识库中找出与用户问题最相关的部分：
- 相关知识点：
- 原文证据：
- 推导逻辑：
【限制】严格基于知识库内容回答，禁止扩展未在资料中出现的信息

模块 5：回答生成+自检模块

【模块：回答生成】
请根据匹配内容回答问题。
结构：
1. 简要回答
2. 关键依据（引用知识库）
3. 延伸理解（如资料中有）

【模块：自检】
请检查是否出现推测、引用不准确、逻辑跳跃，若有请修正。

7.4.4 使用示例

资料内容：

人工智能是一种基于大规模数据进行训练的预测模型…
其核心机制包括：模式识别、概率推断、损失函数最小化…

用户提问： AI 是怎么知道答案的？

输出：

【回答】
AI 通过模式识别和概率预测生成答案……

【依据】
- "人工智能是一种基于…"
- "核心机制包括模式识别…"

7.4.5 工程师扩展方向

扩展方向	说明
向量库	Embedding + Retrieval
RAG 系统	文档分析系统
多文档检索	支持多文档
多轮问答	自动摘要、上下文记忆
Prompt Pipeline	架构升级
Agents	处理复杂任务

本节小结

关键要点

1. 小白也能构建知识库问答助手
2. 通过 Prompt Blocks 代替向量库
3. 具备：解析→结构化→匹配→回答→自检
4. 可以稳定运行于学习/工作/产品文档场景
5. 为后续工程师版 RAG 打基础

知识库问答助手是第四个实战项目，接下来我们将学习：小白 Prompt 系统构建总结。