在 Agent 工作流中，知識庫扮演的是“決策依據”而不僅僅是“問答庫”的角色：

• 語義解析：將用户輸入或特定信號映射到系統可執行的操作
• 工具選擇：讓 LLM 基於功能説明文檔來調用合適的工具
• 狀態判斷：根據規則庫確定下一步流程走向

一旦關鍵信息被過濾閾值卡掉，Agent 就會陷入“失憶”；如果引入過多無關信息，又會導致“幻覺”與決策偏差。本文旨在提供一套可複用的參數矩陣，系統性地解決“召回-精度”之間的權衡難題。

1. 參數速查表（Agent 專用）

2. 配置決策流程圖（快速定位）

┌── 場景判斷 ──┐
│ 1. 精確匹配任務？ │──是──→ 採用【保守準確】檔（閾值 0.65）
│ 2. 多選一決策任務？│──是──→ 採用【均衡模式】檔（閾值 0.45）
│ 3. 多步複雜推理？  │──是──→ 採用【召回優先】檔（閾值 0.25）
└──────────────┘

3. 典型問題與調參實踐

場景一：特定標識符解析失敗

• 現象：一個關鍵業務代碼得分 0.4，被 0.45 的閾值過濾。
• 解決：將閾值降至 0.25，同時調小分段至 128，增大重疊率至 30%，並在原文中顯式添加錨點説明（如“所有相關變體均指向此條目”）。
• 結果：關鍵信息召回率達到 100%，解析準確率顯著提升。

場景二：相似工具描述導致混淆

• 現象：低閾值（0.25）使兩個功能相似的工具描述得分相近（~0.48），LLM 決策時容易選錯。
• 解決：將重排返回數量從 7 減少到 3，同時將閾值適度提高到 0.4，確保僅將最相關的片段提供給 LLM。
• 結果：工具選擇的準確率得到明顯改善。

場景三：跨分段的複合規則失效

• 現象：一條完整規則被分割在兩個分段中，單獨看每個分段得分都不足以被召回。
• 解決：將分段大小擴大至 1024，並保持 20% 的重疊率，確保完整規則處於同一分段內；閾值維持在 0.45。
• 結果：複合條件不再被遺漏，決策邏輯保持完整。

4. 高級調優技巧

1. 顯式錨點增強
   在文檔的 Markdown 註釋或特定字段中，明確列出關鍵術語的同義詞、縮寫、常見拼寫變體。這能同時提升全文檢索的命中率和向量檢索的相關性分數。

2. n-gram 分段回溯查詢
   對於代碼、命令或特定標識符，可將查詢文本拆分為 n-gram 進行多次查詢（如 2-gram 或 3-gram）。只要任意一次查詢命中，就將該片段優先拼接到上下文的最前面，確保關鍵片段不被遺漏。

3. 通配符與近似匹配
   在支持全文檢索 DSL 的系統中，使用通配符或近似匹配語法進行強制召回，再利用重排模型對召回結果進行去噪和排序。

5. 上線前檢查清單

• [ ] 使用“召回優先”檔位對歷史用例進行迴歸測試（例如 100 條），記錄所有被召回片段的最低得分。
• [ ] 將“最低得分 + 0.05”設定為線上服務的初始閾值，在保證召回的基礎上追求精度。
• [ ] 開啓日誌採樣，定期（如每週）覆盤“空返回結果”和“錯誤解析”兩類案例，據此調整閾值或補充錨點。
• [ ] 在知識庫文檔發生任何增刪改後，重新執行迴歸測試，避免因索引變化導致排序漂移。

6. 結語

在 Agent 場景下，知識庫參數配置的核心目標並非追求回答數量，而是保障決策的可靠性。
謹記兩個原則：

1. 召回階段可以寬鬆，依賴重排模型來濾除噪音；
2. 閾值應基於數據（最低合格得分）動態設定，而非靜態經驗值。

遵循本指南的矩陣與流程，你可以快速完成配置，將重心交給後續的重排與推理環節。願你的 Agent 從此告別“失憶”，穩健執行。