将企业知识部署到语音智能体

随着企业采用 语音智能体 来支持员工和客户，智能体所依赖信息的质量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，但若要体现公司特定政策、产品详情或内部流程，就需要获取可靠且结构清晰的知识。

智能体知识库提供了这一基础和专业化能力。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。

本指南介绍在部署智能体时管理企业知识库的实用策略，帮助语音智能体即使面对庞大、多样的文档集合，也能稳定发挥作用。

语音智能体如何访问知识库

可以直接在 ElevenLabs Agents 平台配置知识库。该内容会在智能体对话期间可用。

平台提供两种内容使用方式：

• 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）：当知识库大到无法容纳在上下文中时，系统会搜索知识库，并根据用户查询仅检索最相关的部分。

RAG 何时有效，何时不适用

直接注入还是使用 RAG，主要取决于知识库的大小。

以一个包含 1000 份文档、总计约 200 万词（约 260 万 token）的“产品手册库”为例。在这种情况下，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，上下文都能保持在可控范围内。

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。优秀的信息源会带来优秀的回答，而低质量信息源则会引入错误和幻觉。

先筛选，再实施。归档或删除过时草稿、已被替代的版本和无关材料。如果一份文档不该用于回答客户问题，就不该放进知识库。这种筛选能确保信息源保持可靠，并减少检索时的噪声。

按领域组织。将剩余文档按清晰、合理的类别划分，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，这种领域组织至关重要，因为专业智能体会处理特定知识领域。

质量优先于数量。经过良好筛选的少量高质量文档，优于大量质量参差不齐的文件。应关注每个领域内容的完整性、准确性和相关性。从干净、有序的数据开始，不仅是最佳实践，更决定了智能体是以有用回答赢得用户，还是以无关或相互矛盾的回答让用户失望。

知识库实施策略

明确知识和访问模式后，下一个问题是如何设置智能体架构，以有效访问知识库。企业可根据知识规模和需求，选择 5 种可直接在 ElevenLabs Agents 平台实施的架构方案，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。将筛选后的文档上传至 ElevenLabs Agent 平台创建知识库，并在配置设置中分配给智能体。无需工作流、路由或外部工具。这种方法实现价值的速度最快，适合专注的使用场景，例如仅处理 HR 政策、仅处理产品文档，或为单一产品线提供客户支持。

规模扩大后会出现局限。面对非常庞大或高度多样化的知识库，性能可能下降。由于缺乏专业化，智能体会搜索所有文档；当知识覆盖差异很大的主题时，可能检索到相关性较低的结果。如果发现知识库的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能实现高效扩展。编排智能体会分析传入的问题，并将其路由至专业智能体；每个智能体都有面向其领域的专用知识库。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，并路由至只能访问 HR 文档的专业 HR 智能体。

实施时，需要为每个领域创建独立知识库、构建含专业节点的工作流，并配置路由条件。更小、更聚焦的上下文可提高准确性并降低延迟；领域隔离也能简化维护，因为每个领域都可独立更新。这种方法适合部署覆盖多个主题领域智能体的企业。

3. 混合方法：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开。知识库用于识别术语，并将其映射至作为文档添加到知识库中的系统标识符；webhook 工具则从权威来源获取当前数据。

例如，当用户问“我的 Premium Plus 套餐有哪些详情？”时，智能体会使用知识库识别套餐 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。

这种方法能保证准确性，因为事实来自数据库而非 LLM 生成；它还可提供反映当前状态的实时数据，并通过记录工具调用创建审计跟踪。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、客户管理和电商：文档解释概念，数据库则保存当前事实。

4. 外部向量数据库

企业可自行管理向量数据库（Pinecone、Weaviate、Qdrant），并通过自定义 webhook 工具提供访问。这种方式可完全控制分块、嵌入和检索算法，但会增加基础设施管理的运营负担，以及外部 API 调用带来的延迟。它能带来更高灵活性，但也会引入运营开销和外部延迟。

5. 双脑架构

一些企业已维护自己的（微调）LLM。连接这些模型最有效的方式，是直接使用 ElevenLabs Agent 平台（自定义 LLM），或采用双脑架构。

双脑架构（同时启用两个 LLM）通常用于自定义 LLM 速度不足以支持实时对话的情况。当需要更深入的推理或额外上下文时，智能体由更快的 LLM 驱动；后者可调用客户的自定义 LLM 获取输入，再通过上下文更新将其加入对话。

由于这些调用是异步的，后端执行更复杂的计算时，对话仍可保持流畅。这种方法让企业能够利用现有的 AI 基础设施。

结语

高效的语音智能体依赖清晰、组织良好的知识。当企业信息结构化、准确且便于智能体浏览时，它就会成为可靠的信息源，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 集成和全面的 API，并且这些功能可无缝协同。通过干净的数据和合适的架构周全实施后，企业专业知识便能通过自然对话轻松获取。做好这一点，不只是实施细节，更是运营优势。

操作指南：扩展文档上传规模

上传前先合并。 不要上传 500 个独立文件，而是将同一领域的所有文档合并为一个文件。这能降低管理复杂度、简化智能体配置，并通过将相关内容集中在一起提升检索效果。

按策略对文档分组，可按产品线、地区、部门或职能划分。每个合并后的知识库对应一个智能体（单智能体），或一个专业智能体节点（多智能体工作流）。

利用 ElevenLabs API 从 URL、文本或文件上传内容。将上传集成到 CI/CD 流水线中，使源文档每次变更时都能自动完成合并和更新。

操作指南：自动刷新知识

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

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 流水线 → 合并文档 → 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同等严格的 DevOps 标准。平台以 API 为先的架构让其能轻松集成到现有流水线，在无需人工干预的情况下保持准确性和合规性。