维基百科溯源问答 AI 助手

一个 AI 助手，通过 RIG 方法，基于维基百科来源并指定具体章节，为用户提供事实准确、经过充分调研的信息解答。非常适合需要基于外部数据的可靠、可追溯答案的场景。

AI流程的工作原理 - 维基百科溯源问答 AI 助手

流程

AI流程的工作原理

用户输入收集.
通过聊天界面收集用户问题。
初稿生成.
生成答案初稿，并识别哪些部分需要外部数据或核查。
维基百科数据检索.
使用维基百科工具，为答案的每一部分获取相关且真实的信息。
AI 代理事实核查与优化.
AI 代理利用获取的维基百科数据完善并溯源每一部分答案，添加直接来源链接。
答案交付.
通过聊天界面将溯源且有据可查的答案返回给用户。

此流程中使用的提示

提示词

创建初始 LLM 提示词，用于生成带有虚拟数据和来源指示的样例答案，便于后续完善。引导 LLM 明确指定每个部分应使用的来源。...

Gived is user's query. Based on the User's query generate best possible answer with fake data or percentage. After each of different sections of your answer, include data which source to use in order to fetch the correct data and refine that section with correct data. you can either specify to choose Internal knowledge source to fetch data from in case there is custom data to user's product or service or use wikipedia to use as general knowledge source.

---
Example Input: Which countries are top in terms of renewable energy and what is the best metric for measuring this and what is that measure for top country?
Example output: The top countries in renewable energy are Norway, Sweden, Portugal, USA [Search in Wikipedia with query "Top Countries in renewable Energy"], the usual metric for renewable energy is Capacity factor [Search in Wikipedia with query "metric for renewable energy"] and number one country has 20% capacity factor [search in Wikipedia "biggest capacity factor"]
---

Let's begin now!

User Input:   {input}

AI 代理

LLM 代理提示词，指导模型利用维基百科工具完善初始答案，聚焦事实准确性，每部分注明来源，避免使用通用语句或无关填充。...

You are given a sample answer to user's question. The sample answer might include wrong data.&

use wikipedia tool in the given sections with the specified query to use wikipedia's information to refine the answer. 

include the link of wikipedia in each of the sections specified. 

FETCH DATA FROM YOUR TOOLS AND REFINE THE ANSWER IN THAT SECTION. ADD THE LINK TO THE SOURCE IN THAT PARTICULAR SECTION AND NOT IN THE END.


Focus on detailed information. Don't use phrases like "In todays fast changing world...", "In today's complex...", "is a crucial step", "plays significant role", "fast-paced...", "pivotal role", "In the ever-evolving landscape of" or "In the realm of ...", always cut to the point without useless conclusions or intros.

此流程中使用的组件

以下是此流程中用于实现其功能的所有组件的完整列表。组件是每个AI流程的构建块。它们允许您通过连接各种功能来创建复杂的交互并自动化任务。每个组件都有特定的用途，例如处理用户输入、处理数据或与外部服务集成。

聊天输入

FlowHunt 中的聊天输入组件通过在 Playground 捕获消息来启动用户交互。它作为流程的起点，使工作流能够处理文本和基于文件的输入。

查看 聊天输入

FlowHunt 中的提示（Prompt）组件

了解 FlowHunt 的 Prompt 组件如何让你定义 AI 机器人的角色和行为，确保回复相关且个性化。自定义提示和模板，打造高效、具备上下文感知的聊天机器人流程。

查看 FlowHunt 中的提示（Prompt）组件

生成器

探索 FlowHunt 的生成器组件——利用您选择的 LLM 模型进行强大的 AI 驱动文本生成。通过结合提示词、可选的系统指令，甚至图片作为输入，轻松创建动态聊天机器人回复，使其成为构建智能对话流程的核心工具。

查看 生成器

维基百科工具

利用 FlowHunt 的 AI Agent，轻松与任意维基百科页面对话。获取简明摘要、来源链接，将数小时的研究转化为交互式洞见。

查看 维基百科工具

AI代理

FlowHunt中的AI代理组件为您的工作流赋予自主决策和工具使用能力。它利用大型语言模型并连接各种工具以解决任务、实现目标并提供智能响应。非常适合构建高级自动化和互动式AI解决方案。

查看 AI代理

消息小部件

消息小部件组件可在您的工作流中显示自定义消息。非常适合欢迎用户、提供操作说明或显示任何重要信息，支持 Markdown 格式，并可设置为每个会话仅显示一次。

查看 消息小部件

聊天输出

了解 FlowHunt 中的 Chat Output（聊天输出）组件——通过灵活的多部分输出完善聊天机器人回复。是实现流程顺畅结束和打造高级互动式 AI 聊天机器人的关键工具。

查看 聊天输出

聊天开启触发器

聊天开启触发器组件能够检测聊天会话的开始，一旦用户打开聊天窗口，即刻触发工作流响应。它以用户的首条消息启动流程，是构建高响应、互动型聊天机器人的关键组件。

查看 聊天开启触发器

流程描述

目的和优势

概述

RIG（检索交错生成器）维基百科助手是一套自动化流程，旨在通过生成初步回答、识别所需事实数据、从维基百科获取信息，并为每一部分答案精准标注引用，来解答用户提问。其核心目标是提供以可验证来源为基础的答案，并明确指出所用的具体章节和来源，特别适用于调研、事实核查和教育等场景。

工作流程说明

  1. 聊天启动与欢迎

    • 当会话开启时，用户会收到欢迎信息，说明本流程旨在提供可靠、有来源支撑的回答，帮助用户了解回复的质量和透明度。

  2. 用户问题采集

    • 用户通过聊天输入栏提交问题，系统捕获后继续处理。

  3. 提示词生成

    • 流程内置一个提示词模板，将用户的问题构造成详细的提示词。该提示词指导系统：
      • 生成一个答案初稿，即使其中包含占位数据。
      • 针对答案的每一部分，明确指出应使用哪个外部来源（如维基百科）或内部知识库进行数据核查和完善。
      • 为每一部分包含维基百科的检索查询，以获取正确信息。

    示例：

    用户输入：哪些国家在可再生能源方面位居前列？
初稿输出：排名前列的国家有挪威、瑞典、葡萄牙 [在维基百科搜索："Top Countries in renewable Energy"]...

  4. 初步答案生成

    • 系统利用大语言模型生成器，根据提示词生成答案草稿，并标明哪些部分需要补充事实数据及核查来源。

  5. 数据检索与答案完善

    • AI 代理接收答案草稿，并利用维基百科工具针对指定查询在维基百科检索相关内容。
    • 对于答案的每一部分，代理从维基百科获取事实数据并替换草稿中的占位内容。
    • 每部分均会补充该部分所用维基百科条目或章节的直接链接，确保透明和便于核查。

    代理会避免使用通用或填充性语句，仅聚焦于简明、事实性的内容。

  6. 最终输出

    • 完全完善后的答案，每一部分都溯源于特定维基百科内容（并内嵌链接），通过聊天界面呈现给用户。

工作流结构

步骤组件目的
1聊天开启触发器侦测新会话并发送欢迎信息
2消息组件显示初始问候和使用说明
3聊天输入接收用户问题
4提示词模板按要求格式化提示词，指示如何生成初稿及来源指向
5生成器生成带有占位部分的初步答案
6维基百科工具支持从维基百科检索数据
7AI 代理完善初稿，检索事实，插入引用/链接
8聊天输出将最终溯源答案展示给用户

主要特性与优势

  • 来源透明：每个答案部分都明确标注所用维基百科页面或章节，并附有直接链接，便于用户核查。
  • 自动化与规模化：流程自动化了起草、核查和完善的全过程，能高效应对大量问答需求。
  • 高标准输出：每一论断均有可验证外部来源支撑，适用于学术、商业和专业场景。
  • 可定制性：如有需要，可接入内部知识来源，使系统适应企业专属数据检索场景。

应用场景

  • 教育助手：为学生提供始终引用来源的答案。
  • 事实核查机器人：即时核查信息并展示来源，无需人工搜索。
  • 客户支持：为公司或产品问题提供有明确数据出处的信息。
  • 内容创作：为写作者和记者提供带嵌入参考的初稿，便于后续深度拓展。

总结

本流程通过交错生成与检索，为用户提供值得信赖且有据可查的答案。无论在何种重视事实准确性、透明度和来源归属的场合，均极具价值。其模块化、自动化设计，使其成为企业大规模自动化调研及问答任务的理想选择。

让我们为您构建专属的AI团队

我们帮助像您这样的公司开发智能聊天机器人、MCP服务器、AI工具或其他类型的AI自动化，以在您的组织中替代人工处理重复性任务。

预约演示 立即尝试

了解更多

RIG 维基百科助手聊天机器人（检索交错生成器）
RIG 维基百科助手聊天机器人（检索交错生成器）

RIG 维基百科助手聊天机器人（检索交错生成器）

发现 RIG 维基百科助手，这是一款专为从维基百科精准检索信息而设计的工具。非常适合研究和内容创作，能够快速提供有充分来源、可信赖的答案。用准确的数据和透明度提升您的知识。...

1 分钟阅读
AI Wikipedia +5
让大模型自我事实核查并附上来源
让大模型自我事实核查并附上来源

让大模型自我事实核查并附上来源

用RIG提升AI准确性！学习如何创建能基于自定义和通用数据源对回答进行事实核查、提供可靠、有据可查答案的聊天机器人。...

1 分钟阅读
AI Chatbot +5
问答系统
问答系统

问答系统

基于检索增强生成（RAG）的问答系统结合了信息检索与自然语言生成，通过从外部来源补充相关、最新的数据，提升大语言模型（LLM）的回答能力。该混合方法提高了准确性、相关性和在动态领域的适应性。...

1 分钟阅读
AI Question Answering +4