要让AI准确调用已有资料，核心在于建立结构化的“知识卡”并设定明确的触发与执行规则。具体做法是将原始素材转化为包含名称、目标、触发条件、适用范围和证据的状态化条目，并在Agent调用时强制要求AI说明引用出处及适用逻辑。
这一过程并非简单的资料堆砌，而是从“原材料”到“正式规则”的筛选与验证。通过区分经验与规则，设置候选与已验证状态，可以显著降低ai幻觉，确保每一次回答都有据可查。
把资料整理成可检索的知识卡片
知识库的基础单元不是长篇文章，而是经过提炼的“知识卡”。一张有效的知识卡需要明确其生命周期中的关键要素，包括提取方法、补产证据以及最终的状态设定。这有助于在后续检索中快速判断该知识的可靠性。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
制作知识卡时，需遵循以下输入与操作标准：
- 提取方法：从视频、文章或会议记录中提炼出可复用的单一经验，写清任务入口（例如：“优化视频前3秒停留率”）。
- 补产证据：记录案例、观察指标以及成功和失败的结果。必须注明前置条件和配套方法。
- 设置状态：明确标记为“候选方法·待验证”或“已验证”，并注明最后验证日期。
核对方法：检查知识卡是否包含“名称、类型、问题、触发条件、适用范围、限制、证据、状态、关联”这九个核心字段。缺少任一字段都可能导致检索时的误用。
区分原材料、候选经验和正式规则
并非所有收集到的信息都适合直接作为AI的决策依据。知识库管理需要将“原材料”、“候选知识”和“正式规则”分开处理，避免将未经检验的经验当作真理执行。
不同层级的知识有不同的维护策略：
- 原材料：保留原文和采集日期，仅做存档，不直接参与推理。
- 候选知识：经过初步试用，记录了边界和结果的方法。需补齐边界并记录试用结果。
- 正式规则：经过多次验证的稳定经验。需明确例外情况，再写入调用规则。
对于平台规则、增长方法等环境变化敏感的知识，应优先复核；对于数学公式、底层规律等长周期知识，则侧重来源和适用条件的记录。建议定期从收藏中提炼经验，补齐类型、标签和状态，防止知识库变成只存不整理的垃圾场。
给 Agent 编写调用和复盘规则
当知识进入执行流程时，必须给Agent编写清晰的调用规则。这些规则定义了何时查阅、何时执行以及如何复盘。核心逻辑是：新任务发生时，先查相似经验，核对适用条件，再选择适用方法。
以下是可直接复制的Agent调用规则提示词示例，用于规范AI的行为：
当[任务或事件]发生时，执行以下步骤： 1. 查[知识范围]：匹配任务目标，核对适用条件。 2. 判断：核对有效期和可靠性，选择适用方法。 3. 执行：按规则执行，并记录采用的条目和理由。 4. 例外：若条件不符，记录原因并跳过该条规则。 5. 输出：必须说明调用了哪条知识、为什么，并附上出处。
此外，需建立任务失败后的复盘机制。当交付失败或指标未达标时，Agent应先查询历史上是否有同类失败和预防措施，补充防范措施，并更新相关知识库条目。每次使用都应留下新证据，观察结果是否达标，比较场景差异，从而修订权重或适用范围。
AI 检索不到匹配的知识时怎么办？
A: 应在规则中明确“没有命中时明确说明”的要求。如果AI无法找到适用的正式规则，它应报告当前缺乏相关证据，而不是编造答案。此时可将该新问题标记为“候选知识”进行后续验证。
A: 主要依据是验证次数和稳定性。只有经过多次独立任务验证，且在不同场景下均能稳定产出预期结果的经验，才能升级为正式规则。单次成功或仅在特定极端条件下成功的经验，应保留为候选或原材料。
