接向量库前先洗数据：Agent 知识库准备层实践清单
Puzzleheaded_Box2842 · reddit · 2026-08-27
作者指出大量 agent 项目都会撞上同一堵墙：agent 依赖检索到的知识做决策，但原始数据几乎从不能直接用。直接索引脏数据会导致检索出不完整分块、重复内容、损坏表格、过时信息和无来源上下文，agent 看似能干，答案却因知识层薄弱而不稳定。
作者提出在 agent 接触知识前应加一个真正的数据准备层：
- 把不同来源解析为结构化文本，保留标题、表格、来源 ID 与元数据
- 清噪但不改事实，去重并剔除低价值分块
- 按来源类型而非固定 chunk 大小切分
- 需要时匿名化敏感信息
- 生成 QA 对/评测集做检索测试，保留原始与清洗双版本便于调试，并让每个分块可溯源
核心观点：「agent + 知识库」不应只是往框架里插个向量数据库；检索常是长工作流的一步，坏上下文会污染工具选择、推理、规划和最终动作。作者正沿此方向开发 OpenDCAI/DataFlow。
「编程与Agent」频道最新
- 别把 Docker 当真沙箱：agent 代码隔离的层级与 microvm 方案 — aidenclarke_12 · 2026-08-27
- Warmwind 演示无需 API，AI 模拟点击操作屏幕 — Med1_Ai · 2026-08-27
- 开发者用 Claude 构建公路旅行模拟器，实时动画路线 — vinishkapoor · 2026-08-27
- H3 Max 实测：30 秒出 15 秒 768p 视频，成当前最快 — techhalla · 2026-08-27
- 实测用 Grok 加 Magnific MCP 解析视频 Agent — techhalla · 2026-08-27
- ChatGPT 桌面端无法识别声明式 WebMCP 工具 — philnash · 2026-08-27