1.知识库问答作为一个独立需求即将被证伪，因为召回文本片段再总结回答只能覆盖很少一部分场景。
用户对于信息获取的需求是多种多样的——有的需要对整个知识库进行总结分析，有的需要对知识库中特定一篇文档进行分析，有的需要获取结构化的数据进行分析，有的需要对内部系统接口返回的数据进行分析。
狭义的RAG最终只会变成Agent获取信息的一种方式，而不是“知识问答”的全部。意图识别、任务分发，以及作为工具能力的NL2SQL、function call、外网检索对于解决用户综合的“知识问答”需求都十分重要。
2.企业级Agent核心解决的应该是：企业内部目前松连接的人、技术工具、信息资源的连接。
为什么强调松连接？因为紧连接的人、技术工具、信息资源已经被传统IT应用很好地覆盖了（比如长期稳定的业务系统），大模型不能提供任何增量价值。
从信息资源角度来看：Agent需要能够接入并处理多种数据（从模态意义上的多种数据类型、从结构化/非结构化意义上的多种数据类型）；
从技术工具的角度来看：Agent需要能够连接各种技术工具（数据库、系统接口、搜索引擎etc.），Agent自己也需要具备抽象为技术工具的能力，不只是能灵活地调用已有系统，而是也能够灵活地、模块化地被现有系统调用；
从人的角度来看：首先，如何定义Agent与人的协作关系？哪些节点必须人工介入而又不对人造成干扰？其次，Agent需要解决企业内部复杂的权限问题
对于跨部门、跨团队的场景，创建好的Agent如何实现同权限体系下的共享？如何在Agent灵活协作的同时确保部门级、个人级私域数据的安全？
3.提示词的潜力还远未被发挥出来，应该像管理代码一样管理提示词资产。
提示词也有冗长、粗暴但恰好能完成任务的提示词“屎山”（非常不稳定），和优雅、严谨、稳定性强的高质量提示词的区别。
基于最近的实践，我觉得最实用的提示词模板是：角色、背景、任务、要求。思维链和示例都可以加入其中。
篇幅有限，就不一一展示了
