将企业知识部署到语音智能体

随着企业采用 语音智能体支持员工和客户，智能体所依赖的信息质量会成为影响其表现的关键因素。智能体本身具备良好的推理能力，但若需要体现企业特定政策、产品详情或内部流程，就必须获得可靠且结构清晰的知识。

智能体知识库为此提供基础和专业化支持。它们存储文档、政策、技术参考资料、产品规格、支持材料及其他内部资源。为确保有效使用，内容必须经过筛选、整理和结构化，让智能体能够给出准确、有据可依的回答，而非依赖可能不完整或过时的通用模型知识。

本指南介绍如何在部署智能体时管理企业知识库，帮助语音智能体即使面对大量、多样化的文档集合，也能稳定发挥作用。

语音智能体如何访问知识库

你可以直接在 ElevenLabs Agents 平台配置知识库。智能体会在对话中使用其中的内容。

平台提供 2 种内容使用方式：

• 直接纳入上下文： 对于较小的知识库，内容会直接注入模型的 上下文窗口。这种方式可即时访问、延迟极低，最适合较小的知识库。
• 检索增强生成（RAG）：当知识库过大，无法纳入上下文时，系统会搜索知识库，并根据用户查询仅检索最相关的内容。

RAG 何时有效，何时不适用

选择直接注入还是 RAG，主要取决于知识库大小。

假设有一个“产品手册库”，包含 1000 份文档，共约 200 万字（约 260 万个 token）。此时，直接注入会超出大多数快速 LLM 的上下文限制，因此会启用 RAG。这样只会检索相关片段，无论知识库总量多大，上下文都能保持可控。

相反，对于一份 4 页的政策文档（约 3,000 个 token），直接注入更快、更简单。RAG 会增加不必要的延迟。 

ElevenLabs 平台会自动处理：只有当知识库达到检索比直接纳入上下文更高效的规模时，才会提供启用 RAG 的选项。

高效知识库始于文档准备

如果企业拥有庞大且多样的内部文档库，第一步不是实施，而是筛选整理。优质来源能带来优质回答，而低质量来源会引入错误和幻觉。

先整理，再实施。归档或删除过时草稿、已被替代的版本及无关材料。如果一份文档不该用于回答客户问题，就不该放入知识库。这样的整理能确保信息源保持可靠，并减少检索噪声。

按领域组织。将保留的文档划分为清晰、合理的类别，例如 HR 政策、产品文档、法律协议、技术手册或客户支持流程。在 ElevenLabs 平台实施 多智能体工作流时，这种领域划分至关重要，因为专业智能体会处理特定知识领域。

质量优先于数量。精心筛选的少量高质量文档，其效果优于大量质量参差不齐的文件。重点关注各领域内容的完整性、准确性和相关性。从干净、有序的数据开始，不只是最佳实践，更决定了智能体是以出色表现赢得用户，还是以无关或矛盾的回答令用户失望。

知识库实施策略

确定知识内容和访问模式后，接下来要考虑如何搭建智能体架构，以高效访问知识库。企业可在 ElevenLabs Agents 平台直接实施 5 种架构方案，并根据知识规模和需求，从简单配置逐步扩展到复杂配置。

1. 单智能体知识库

最直接的实施方式是将知识库直接关联到单个智能体。在 ElevenLabs Agents 平台上传整理好的文档以创建知识库，然后在配置设置中将其分配给智能体。无需工作流、路由或外部工具。这种方式能最快产生价值，特别适合聚焦的使用场景，例如仅提供 HR 政策、仅提供产品文档，或为单一产品线提供客户支持。

规模扩大后，局限性会显现。面对非常庞大或高度多样化的知识库，性能可能下降。缺少专业化分工时，智能体会搜索所有文档；当知识跨越差异很大的主题时，可能检索到相关性较低的结果。如果发现知识库多样性导致准确率下降，就该转向多智能体工作流。

2. 多智能体知识隔离

对于庞大、多样的文档集合，多智能体工作流架构可实现高效扩展。编排智能体会分析传入的问题，并将其路由至专业智能体；每个智能体都有专注于所属领域的知识库。当用户询问“加利福尼亚州的育儿假政策是什么？”时，系统会识别这是 HR 相关问题，并将其路由至仅可访问 HR 文档的专业智能体。

实施时，需要为各领域创建独立知识库、搭建包含专业节点的工作流，并配置路由条件。更小、更聚焦的上下文能提升准确率并降低延迟；领域隔离也能简化维护，因为各领域可独立更新。这种方式适合部署覆盖多个主题领域智能体的企业。

3. 混合方案：知识库用于识别，工具用于获取数据

这种模式将理解与查询分离。知识库识别术语，并将其映射到作为文档添加至知识库的系统标识符；webhook 工具则从权威来源获取当前数据。 

例如，当用户询问“我的 Premium Plus 套餐详情是什么？”时，智能体会通过知识库识别套餐 ID PLAN_001，然后调用工具查询实时数据库，获取当前定价和功能。

这种方式可确保准确性，因为事实来自数据库而非 LLM 生成；还能提供反映当前状态的实时数据，并通过记录的工具调用创建审计追踪。它适合既需要理解文档又需要检索结构化数据的场景，常见于客户支持、账户管理和电商：文档用于解释概念，数据库则保存当前事实。

4. 外部向量数据库

企业可以管理自己的向量数据库（Pinecone、Weaviate、Qdrant），并通过自定义 webhook 工具将其开放使用。这种方式可完全控制分块、嵌入和检索算法，但也会带来基础设施管理的运营开销，以及外部 API 调用增加的延迟。它能提升灵活性，但也会引入运营负担和外部延迟。 

5. 双脑架构

有些企业已维护自己的微调 LLM，最有效的连接方式是直接接入 ElevenLabs Agents 平台（自定义 LLM），或采用双脑架构。

双脑架构（同时运行 2 个 LLM）通常用于自定义 LLM 速度不足以支持实时对话的情况。需要更深入推理或更多上下文时，智能体由更快的 LLM 驱动，并可调用客户的自定义 LLM 获取输入，再通过上下文更新将结果加入对话。

由于这些调用是异步的，后端执行较重的计算时，对话仍能保持流畅。这种方式让企业能够利用现有 AI 基础设施。 

结语

高效的语音智能体依赖清晰、结构完善的知识。企业信息经过结构化处理，保持准确且便于智能体访问后，就会成为可靠的信息来源，帮助智能体给出有据可依且一致的回答。 

ElevenLabs 平台提供原生知识库管理、多智能体工作流、webhook 集成和完整 API，可无缝协同工作。借助干净的数据和合适的架构进行周密实施后，企业专业知识便可通过自然对话轻松获取。做好这一步，不只是实施细节，更是一项运营优势。

操作指南：扩展文档上传规模

上传前先整合。 与其上传 500 个独立文件，不如将同一领域的所有文档合并为单个文件。这样能降低管理复杂度，简化智能体配置，并通过集中相关内容提升检索效果。

按策略对文档分组，可按产品线、区域、部门或职能划分。每个整合后的知识库对应 1 个智能体（单智能体），或 1 个专业智能体节点（多智能体工作流）。 

利用 ElevenLabs API 从 URL、文本或文件上传内容。将上传流程集成到 CI/CD 管道中，以便源文档发生变化时自动完成整合和更新。

操作指南：自动刷新知识库

监控文档仓库 （Git、SharePoint、CMS）。检测到变更时，触发自动重新处理，以整合更新后的文档。

使用 API 以编程方式更新知识库。 典型工作流：文档更新 → 触发 CI/CD 管道 → 整合文档 → 调用 API 替换知识库 → 智能体立即访问更新后的信息。

像管理代码一样管理文档。 对知识库更新采用与代码部署相同的 DevOps 严谨标准。平台 API 优先的架构让其易于集成到现有管道中，无需人工干预即可保持准确性和合规性。