ai-search-rag

AI 搜索 RAG 配置

概述

本技能介绍如何配置和优化 ServiceNow AI 搜索与检索增强生成（RAG）：

• 创建和配置搜索源（知识库、目录项、服务门户内容）
• 设置定义搜索行为和源优先级的搜索配置文件
• 配置结果排序和相关性调优，以获得高质量的搜索结果
• 启用基于 RAG 的答案生成，从检索到的知识内容中生成答案
• 管理搜索索引和字段配置，以实现最佳检索效果
• 通过反馈循环和分析调优搜索质量
• 将 AI 搜索与 Now Assist 和 Virtual Agent 集成

使用时机： 在知识库中设置 AI 搜索、配置 RAG 以根据企业内容生成答案，或优化 ServiceNow 中的搜索结果质量时。

前置条件

• 角色： admin、search_admin 或 now_assist_admin
• 插件： com.snc.ai_search（AI 搜索）、com.snc.generative_ai_controller（生成式 AI 控制器）、sn_gen_ai（生成式 AI）
• 访问权限： sn_ai_search_source、sn_ai_search_profile、sn_gen_ai_config 表
• 知识： 了解搜索概念（索引、排序、相关性）和知识管理基础知识
• 相关技能： 对话式 AI 参见 genai/now-assist-qa，知识库内容参见 knowledge/article-generation

操作步骤

步骤 1：评估可用的知识源

确定哪些内容应可供搜索和 RAG 使用。

MCP 方式：

Use SN-Query-Table on kb_knowledge_base:
  - query: active=true
  - fields: sys_id,title,description,kb_version,active,article_count
  - limit: 20

检查现有知识文章：

Use SN-Query-Table on kb_knowledge:
  - query: workflow_state=published^kb_knowledge_base=<kb_sys_id>
  - fields: sys_id,short_description,kb_knowledge_base,workflow_state,sys_updated_on
  - limit: 20

REST 方式：

GET /api/now/table/kb_knowledge_base
  ?sysparm_query=active=true
  &sysparm_fields=sys_id,title,description,active
  &sysparm_limit=20

步骤 2：创建搜索源

搜索源定义 AI 搜索从哪些位置检索内容。

知识库搜索源：

MCP 方式：

Use SN-Create-Record on sn_ai_search_source:
  - name: "IT Knowledge Base"
  - description: "Primary IT support knowledge articles"
  - source_type: "knowledge"
  - source_table: "kb_knowledge"
  - source_condition: "workflow_state=published^kb_knowledge_base=<kb_sys_id>"
  - active: true
  - enable_rag: true
  - rag_content_field: "text"
  - search_fields: "short_description,text,meta"
  - display_fields: "short_description,kb_category,sys_updated_on"

REST 方式：

POST /api/now/table/sn_ai_search_source
Body: {
  "name": "IT Knowledge Base",
  "description": "Primary IT support knowledge articles",
  "source_type": "knowledge",
  "source_table": "kb_knowledge",
  "source_condition": "workflow_state=published",
  "active": true,
  "enable_rag": true,
  "rag_content_field": "text"
}

目录项搜索源：

Use SN-Create-Record on sn_ai_search_source:
  - name: "Service Catalog Items"
  - description: "Available service catalog offerings"
  - source_type: "catalog"
  - source_table: "sc_cat_item"
  - source_condition: "active=true^hide_sp=false"
  - active: true
  - enable_rag: false
  - search_fields: "name,short_description,description"
  - display_fields: "name,short_description,category"

事件解决方案搜索源：

Use SN-Create-Record on sn_ai_search_source:
  - name: "Resolved Incidents"
  - description: "Previously resolved incidents for pattern matching"
  - source_type: "table"
  - source_table: "incident"
  - source_condition: "state=6^close_notes!=NULL^universal_requestISNOTEMPTY"
  - active: true
  - enable_rag: true
  - rag_content_field: "close_notes"
  - search_fields: "short_description,description,close_notes"

步骤 3：配置搜索配置文件

搜索配置文件控制要搜索哪些源，以及如何对结果排序。

MCP 方式：

Use SN-Create-Record on sn_ai_search_profile:
  - name: "IT Support Search"
  - description: "Search profile for IT help desk agents and self-service"
  - active: true
  - default_profile: false
  - rag_enabled: true
  - max_results: 10
  - rag_max_sources: 5
  - rag_confidence_threshold: 0.7
  - search_sources: "<kb_source_sys_id>,<catalog_source_sys_id>,<incident_source_sys_id>"

REST 方式：

POST /api/now/table/sn_ai_search_profile
Body: {
  "name": "IT Support Search",
  "description": "Search profile for IT help desk agents and self-service",
  "active": true,
  "rag_enabled": true,
  "max_results": 10,
  "rag_max_sources": 5,
  "rag_confidence_threshold": 0.7
}

步骤 4：配置搜索字段权重

字段配置用于控制不同字段对相关性评分的影响。

MCP 方式：

Use SN-Create-Record on sn_ai_search_field_config:
  - search_source: "<kb_source_sys_id>"
  - field_name: "short_description"
  - boost_factor: 3.0
  - searchable: true
  - displayable: true
  - order: 100

Use SN-Create-Record on sn_ai_search_field_config:
  - search_source: "<kb_source_sys_id>"
  - field_name: "text"
  - boost_factor: 1.0
  - searchable: true
  - displayable: false
  - order: 200

Use SN-Create-Record on sn_ai_search_field_config:
  - search_source: "<kb_source_sys_id>"
  - field_name: "meta"
  - boost_factor: 2.0
  - searchable: true
  - displayable: false
  - order: 300

加权系数指南：

加权级别	值	使用场景
高	3.0-5.0	标题、简短描述——主要匹配字段
中	1.5-2.5	标签、元数据、类别——辅助匹配字段
标准	1.0	正文、完整内容——广泛匹配
低	0.5	评论、备注——补充信息

步骤 5：配置 RAG 答案生成

设置生成式 AI 配置，以便根据检索到的内容生成答案。

MCP 方式：

Use SN-Create-Record on sn_gen_ai_config:
  - name: "AI Search RAG Configuration"
  - description: "Controls how RAG generates answers from search results"
  - active: true
  - llm_provider: "now_llm"
  - model: "default"
  - temperature: 0.3
  - max_tokens: 500
  - system_prompt: "You are a helpful IT support assistant. Answer questions using only the provided context. If the context does not contain enough information, say so clearly. Always cite the source article."
  - context_window: 4000
  - enable_citations: true
  - citation_format: "inline"

REST 方式：

POST /api/now/table/sn_gen_ai_config
Body: {
  "name": "AI Search RAG Configuration",
  "description": "Controls how RAG generates answers from search results",
  "active": true,
  "llm_provider": "now_llm",
  "temperature": 0.3,
  "max_tokens": 500,
  "enable_citations": true
}

RAG 温度指南：

温度	行为	使用场景
0.0-0.2	非常客观、确定性强	政策查询、合规答复
0.3-0.5	较为平衡、以客观为主	IT 支持、故障排查指导
0.6-0.8	更具创造性、措辞更多样	内容建议、推荐
0.9-1.0	创造性很强	不建议用于 RAG

步骤 6：设置搜索索引配置

控制内容的索引方式，以实现最佳检索效果。

MCP 方式：

Use SN-Create-Record on sn_ai_search_index:
  - search_source: "<kb_source_sys_id>"
  - name: "KB Article Index"
  - index_type: "full_text"
  - active: true
  - rebuild_schedule: "daily"
  - chunk_size: 500
  - chunk_overlap: 50
  - embedding_model: "default"

REST 方式：

POST /api/now/table/sn_ai_search_index
Body: {
  "search_source": "<kb_source_sys_id>",
  "name": "KB Article Index",
  "index_type": "full_text",
  "active": true,
  "rebuild_schedule": "daily",
  "chunk_size": 500,
  "chunk_overlap": 50
}

分块策略指南：

内容类型	分块大小	重叠	原因
短篇知识库文章	300-500	30-50	保留完整的文章上下文
长篇文档	500-800	50-100	平衡上下文与具体性
常见问题内容	200-300	20-30	将问答对放在一起
政策文档	800-1200	100-150	保持章节级上下文

步骤 7：配置结果排名

MCP 方式：

Use SN-Create-Record on sn_ai_search_result_config:
  - search_profile: "<profile_sys_id>"
  - name: "IT Support Ranking"
  - ranking_model: "hybrid"
  - semantic_weight: 0.6
  - keyword_weight: 0.3
  - recency_weight: 0.1
  - personalization: true
  - active: true

排名模型选项：

模型	描述	最适用于
keyword	传统关键词/BM25 匹配	精确术语搜索、错误代码
semantic	基于向量的语义相似度	自然语言问题
hybrid	结合关键词与语义搜索	通用场景（推荐）

步骤 8：与 Virtual Agent 和 Now Assist 集成

将 AI Search 连接到对话界面。

Virtual Agent 搜索来源：

Use SN-Create-Record on sys_cs_ai_search_source:
  - name: "VA AI Search Integration"
  - search_profile: "<profile_sys_id>"
  - active: true
  - auto_summarize: true
  - fallback_action: "transfer_to_agent"
  - confidence_threshold: 0.65
  - max_results_shown: 3

REST 方式：

POST /api/now/table/sys_cs_ai_search_source
Body: {
  "name": "VA AI Search Integration",
  "search_profile": "<profile_sys_id>",
  "active": true,
  "auto_summarize": true,
  "fallback_action": "transfer_to_agent",
  "confidence_threshold": 0.65
}

步骤 9：监控搜索质量

查询搜索分析数据以了解性能。

MCP 方式：

Use SN-Query-Table on sn_ai_search_log:
  - query: search_profile=<profile_sys_id>^sys_created_on>javascript:gs.daysAgo(7)
  - fields: sys_id,query_text,result_count,click_through,feedback_score,rag_generated
  - limit: 50
  - orderBy: sys_created_on
  - orderDirection: desc

跟踪 RAG 答案质量：

Use SN-Query-Table on sn_ai_search_feedback:
  - query: search_profile=<profile_sys_id>^rating<3
  - fields: sys_id,query_text,answer_text,rating,feedback_comment
  - limit: 20

步骤 10：调整和优化

根据分析数据调整搜索配置。

调整置信度阈值：

Use SN-Update-Record on sn_ai_search_profile:
  - sys_id: "<profile_sys_id>"
  - rag_confidence_threshold: 0.75

更新字段权重：

Use SN-Update-Record on sn_ai_search_field_config:
  - sys_id: "<field_config_sys_id>"
  - boost_factor: 4.0

触发索引重建：

Use SN-Update-Record on sn_ai_search_index:
  - sys_id: "<index_sys_id>"
  - rebuild_requested: true

工具用法

工具	用途	使用时机
SN-Query-Table	查找现有来源、配置文件和分析数据	发现和监控
SN-Create-Record	创建来源、配置文件和字段配置	初始设置和扩展
SN-Update-Record	调整排名和阈值、重建索引	优化和维护
SN-Get-Table-Schema	发现配置字段	了解可用设置

最佳实践

1. 首先使用知识库作为主要 RAG 来源——其中的内容经过结构化整理和精选
2. 采用混合排名，结合语义搜索和关键词搜索，以获得最佳结果
3. 初始时设置较保守的置信度阈值（0.7+），仅在需要时调低
4. 将 RAG 的 temperature 保持在较低水平（0.2-0.4），以确保事实准确性
5. 启用引用，让用户可以对照源材料核验答案
6. 合理切分内容——切分过小会丢失上下文，切分过大会削弱相关性
7. 将标题字段的权重设置为正文的 3-5 倍，以提高结果相关性
8. 监控点击率和反馈评分，以发现质量差距
9. 知识库更新后定期重建索引，确保内容及时更新
10. 使用搜索日志中的真实用户查询进行测试，验证排名更改

故障排除

问题	原因	解决方法
未返回搜索结果	搜索来源未启用，或没有匹配的内容	确认来源已启用，且内容符合 source_condition
RAG 答案存在幻觉	temperature 过高或上下文不足	降低 temperature，增大 rag_max_sources，并确认内容质量
不相关结果排名靠前	字段权重配置不当	提高标题/描述的权重，降低正文的权重
搜索速度慢	索引过大或搜索的来源过多	限定 source_condition 范围，优化 chunk_size，减少 max_results
RAG 答案缺少引用	gen AI 配置中未启用引用	在 sn_gen_ai_config 中设置 enable_citations=true
索引已过期	重建计划间隔过长	手动触发重建，或提高 rebuild_schedule 频率
结果重复	相同内容从多个来源建立了索引	添加来源去重，或缩小 source_condition 筛选范围

示例

示例 1：IT 自助服务 AI Search

为员工自助服务门户配置 AI Search：

• **来源：**IT 知识库（已发布文章）、服务目录（有效项目）、FAQ 知识库
• **配置文件：**启用 RAG 的自助服务配置，最多 5 条结果，置信度阈值为 0.7
• **排名：**混合模型，semantic_weight=0.6，keyword_weight=0.3，recency=0.1
• **RAG 配置：**temperature 0.3，最多 500 个 token，启用行内引用
• **集成：**使用 Virtual Agent 自动生成摘要，并在无法解答时转接人工客服

示例 2：使用 RAG 搜索 HR 政策

为 HR 政策问题配置 AI Search：

• 来源： HR 知识库（政策文档）、HR 目录（申请表单）
• 配置文件： HR 专用配置，采用严格的 RAG（temperature 为 0.1，确保政策准确性）
• 分块： 800 个 token，重叠 100 个 token（保留政策章节的上下文）
• 字段加权： 政策标题 5.0 倍、章节标题 3.0 倍、正文 1.0 倍
• 防护措施： 系统提示词要求准确引用政策，并禁止改写法律条文

示例 3：多来源技术知识搜索

配置 AI Search，搜索多个技术知识库：

• 来源： 基础设施知识库、应用知识库、安全知识库、已解决的事件
• 配置文件： 技术支持配置，对自然语言查询赋予较高的语义权重（0.7）
• 分块： 技术文章采用 500 个 token，重叠 50 个 token
• 排名： 提升近期文章的排名（recency_weight=0.2），以适应不断演进的技术内容
• 监控： 每周跟踪低评分答案，并针对未命中的内容重新训练

相关技能

• genai/now-assist-qa - 使用 AI Search 结果的对话式 AI
• genai/skill-kit-custom - 可调用 AI Search 的自定义技能
• knowledge/article-generation - 管理为搜索提供内容的知识
• reporting/executive-dashboard - 构建搜索分析仪表板