1. 本章要说的概念
Data（数据）、Knowledge Base（知识库）、Memory（记忆）、Retrieval（检索）和 RAG（检索增强生成）。
2. 模拟任务：给一家独角兽企业“云舟Z智能”写新闻稿
这时你手边已经有云舟Z智能的企业介绍、产品手册、旧新闻稿和 CEO 专访，为了补上最新情况，你又让 Agent 搜索了一圈最新公开资料，比如行业报告、竞争企业资料、财务信息、企业产品销售信息和用户反馈。材料既多又杂，Word、PDF、HTML、Markdown，各种格式都有。于是在 Agent 的协助下，一篇新闻稿初稿很快出炉了。
这个过程中会涉及本章的几个概念。
3. Data（数据）：任务使用的全部资料
Data（数据）是一个很简单的概念，就是一项任务使用的全部资料。
在你这次新闻稿任务中，你已经拥有的全部材料都是数据，它们分别装在 Word、Excel、PPT、PDF、HTML、Markdown 文件和网页里。
4. Knowledge Base（知识库）：囤资料的地方
可以用作知识库的软件非常多，比如 OneNote、印象笔记、飞书文档、flomo、Notion、NotebookLM、IMA 等。其实 Knowledge Base（知识库）不一定非要使用一套名字里带“知识库”的软件，只要一批资料被稳定地放在一起，能够持续维护，并能在以后查询和调用，它就可以充当一个朴素的知识库。
最简单原始的方式主要靠人肉整理，而当前支持 AI 功能的知识库软件，还会替你建立索引、全文搜索或语义检索等其他能力。举一些例子：
| 资料储存 | 算不算知识库 | Agent 调用 |
|---|---|---|
| 电脑里一个人肉整理的项目文件夹 | 可以充当最简单的项目知识库 | 你把文件夹交给有文件权限的 Agent，比如用 Codex 打开，那这个文件夹就成为了 Codex 的 Workspace（工作区），可直接搜索、读取和处理文件 |
| Obsidian | 算。本质上是本地文件夹，笔记主要以结构化的 Markdown 文件保存 | 可以把这个文件夹作为项目打开；Obsidian 的第三方社区插件也可以让 Claude 等 Agent 在库内搜索和处理笔记 |
| 腾讯的 ima 知识库 | 面向 C 端用户的在线知识库应用 | 目前可在 WorkBuddy 中连接 ima，读取并处理资料，处理结果也可保存回 ima |
所以，你在 IMA 上建立“独角兽企业新闻稿资料库”，上传了本地资料，又搜到不少新的网页，加起来有几十份资料。那么 IMA 这个在线文件夹就可以视为一个企业知识库。下一步，你就可以随时通过 WorkBuddy 调用 IMA，打开文件夹，给这家独角兽企业写新闻稿了。
5. Memory（记忆）：Agent 以后还记不记得你
Memory（记忆）是 Agent 在与你的人机协同过程中保留的关于你的信息、要求和偏好，这些记忆会影响 Agent 为你工作时的执行风格甚至方向。
记忆有两种常见来源：一种是你主动说“请记住”；另一种是 AI 应用或 Agent 软件在记忆功能开启时，从多次对话中自动归纳它认为有用的偏好。但注意，不同 Agent 的 Memory 机制可能会有较大差别。以 ChatGPT 为例，用户可以要求它记住，也可以查看、纠正、删除或关闭记忆。
还是举你写独角兽新闻稿的例子。WorkBuddy 第一次试稿写得过于兴奋和夸张，你可以说：
我写新闻稿时不喜欢使用“遥遥领先”“全面颠覆”等夸张说法。请把这个偏好记到 Memory 里，以后写新闻稿时遵守。
WorkBuddy 支持 Memory，于是把它储存为本地记忆，可以跨项目生效。以后你开一个新对话写另一家公司的新闻稿，WorkBuddy 可能把这条偏好重新放进上下文，模型便会少用这类词。
但需要注意的是，Memory 并不是强行执行的规则，也不见得任何时候都会生效。所以项目中必须遵守的硬要求，还应该写进项目的 Skill 以及 AGENTS.md 等项目规则文件里。
6. Retrieval（检索）：从一批资料中找出相关内容
Retrieval（检索）就是从一批资料中找出并取回与当前问题相关的内容，无论是在网络上搜索，还是在在线/本地知识库中搜索，都属于检索。
在写独角兽企业新闻稿时，你对 WorkBuddy 说：
提炼这家公司过去两年的海外收入水平与变化，并和竞品公司 A 进行对比。
于是，WorkBuddy 先从已经连接的企业知识库中检索这家公司的相关段落和数字；但资料库里没有竞品公司 A 的材料，它就再去公开网页中检索竞品资料。检索结束后，WorkBuddy 再把找到的资料放进 Context，交给模型分析。
7. RAG（检索增强生成）：先找依据，再根据依据生成
Retrieval 负责把相关资料找回来。WorkBuddy 再把这些资料放进 Context，交给模型生成答案。于是“检索、放入上下文、生成”三部分连起来，就构成 RAG。这个词经常出现，全称是 Retrieval-Augmented Generation（检索增强生成）。
RAG 是一种构建 AI 应用的技术方法或架构，既不是软件，也不是模型，是一个离新人用户操作较远的概念。RAG 的作用之一，是为模型补充当前任务需要的外部资料，减少模型因为缺少相关信息而无依据胡说八道的情况。
在写独角兽企业新闻稿时，你问 WorkBuddy：
这家企业过去一年有哪些可以写进文章开头的增长信息？每句话都标明来源。
于是 WorkBuddy 先调用检索能力，从 CEO 专访稿、财务表和最新报道中取回相关段落，再把你的问题和这些段落放进当前 Context（上下文），最后交给大模型（你调用了 GLM 5.2）依据这些内容写出答案。这样，模型写作时就有了可以参考和引用的材料。
RAG 常和 Embedding（向量表示）、Vector Database（向量数据库）一起出现。它们可以帮助系统按意思接近程度找到相关内容，是实现检索的常见后台技术。新人用户知道它们在“帮忙找资料”就够了。
8. 把五个概念放回你的一次提问
你最后对 WorkBuddy 说：
请根据项目资料库和最新公开信息，写一篇 1200—1500 字的新闻稿。增长数据要标明来源。
WorkBuddy 说：
收到，现在资料很丰富，我会按你的要求进行新闻稿撰写，少用夸张词汇。
这时，企业文件和网页信息是 Data；你在 IMA 中建立的资料库就是 Knowledge Base；“少用夸张词汇”可能来自 Memory；WorkBuddy 调用 Retrieval 找回增长数据和原文，再用 RAG 把内容交给模型，最终生成了一篇新闻稿。
9. 一句话释义
Data 是一项任务使用的全部资料
Knowledge Base 是能够持续维护并供以后查询和调用的一批资料
Memory 是 Agent 保留的关于你的信息、要求和偏好
Retrieval 是从一批资料中找出并取回与当前问题相关的内容
RAG 是把检索、放入上下文和生成连起来