Flowith 知识库的用法包括以下方面：
☝️拆解创作任务AI创作的一个痛点在于生成的内容太过笼统模糊，也就是AI味儿很重。回想你在工作中是不是也遇到过派活后当甩手掌柜的领导，他不会告诉你步骤、方法或者技巧，只会「很急，今天就要」。如果把AI看作是一名实习生，它可能也遇到了类似的情况。所以如果想让AI成为你的得力助手，你需要提供一定的指导，比如拆解复杂的任务到合适的颗粒度，提供一些方法论让它效仿，定义好输出的格式它好按部就班地执行。我做的第一件事是拆解自己创作一期「科幻预见未来」的步骤，如下图所示：其中需要AI生成的核心内容有电影中未来世界观的描述，构成世界观的驱动力/颠覆因素的分析，和延伸思考的问题。而生成这些内容的前提是准确选出匹配电影设定的驱动力/颠覆因素，也就是流程中的第3步。因此，我们可以视其为一个关键的任务节点，而第4到第7步是围绕第3步展开的主线任务。✌️建立定向知识库由于《梦想与颠覆》卡牌是本次创作的元知识，我们可以将它导入到flowith的知识花园中作为AI可以调用的知识库。将所有的驱动力和颠覆因素转化为文字上传后，打开智能拆分模式，AI就会自动分析内容并优化拆分的逻辑，最后形成一颗颗知识「种子」。后续在画布的侧边栏激活知识库后，AI将启用知识关联功能，根据创作场景自动匹配库内素材，让输出的内容更具针对性。另外你可以选择发布或分享你的知识库，让它成为别人的知识外挂，而在flowith的知识市场中你也可以「挪用」别人的秘籍，只不过受益者是你的AI Agent。
来自flowith的朋友——玉树芝兰，王树义教授[heading4]构建[content]立即开始尝试构建知识库。方法是选择"Manage Your Knowledge Base"，进入知识库管理页面。然后选择左上角的加号，添加新的知识库。你可以随意给知识库起个名。但是强烈建议你起个自己后来能分辨的名字，不然使用的时候会不方便找寻。下面，你就可以点击添加文件。建议使用Markdown格式的文件。一般情况平时发布的文章，存储的都是这种格式。它其实就是带标记的纯文本，比较符合大语言模型的偏好。接着，你会看到Flowith开始忙活，逐个文件进行抽取（Extraction）等处理。你根本无需操心它是怎么做的。关上页面，等处理好了再说。过了一会儿，处理完毕。我点开其中某一个文件看看。处理过后它包含3个seeds，也就是因为长度关系，切分成了3个部分。你可以在知识库管理页面测试检索。例如我这里输入「卡片」，就可以过滤出与「卡片」直接相关的发布文章内容。这就是知识库的构建方法——新建、拖拽、等待、搞定。按照类似的逻辑，王教授分别构建了「《玉树芝兰》公众号文章」和「《玉树芝兰》知识星球文章」两个知识库。知识库构建好了，咱们尝试一下问答吧。
在页面左侧，你可以看到检索资料的来源。并且可以点击上面的显示按钮，把所有的原始信息展现出来。Flowith最具特色的一个地方，是它可以进行「可视化」的追问，在画布上你可以明确看到问答之间的序列关系。在上图中，你可以看到它延续着上面的问题进一步追问：详细说说Open Interpreter做数据分析此时Flowith接收到的上下文，不仅包括你的知识库，还包括上一个问题的答案。所以当你提到Open Interpreter的事儿的时候，它自动会把这个问题和前面所问的问题——也就是数据分析——结合，给你一个更为精准的答案。你可能会觉得，现在Flowith只能给你大纲式的回答，简洁但不够详细。但其实不是这样。这首先和我们调用的模型有关，Claude 3.5 Sonnet就是喜欢简洁，另一个重要原因是，我也没有给它更多的详细要求。作为对比，我们现在就对着同样的知识库，以刚才的问题为基础，但在上面加上一些对细节的要求，看看会有什么不同。在Flowith里面，除了序列追问，你还可以在画布上平行地提问。默认情况下，它会继续前面的问题，但如果你把鼠标点击画布的其他部分，它就会默认在那里新开一个问题。这是我新的提示词：如何用AI辅助数据分析？请详细解答，引用原文和所在位置作为支撑这种左右分列的对比可以更为清晰地向我们展现：不同的提示词面对同样的上下文，会有什么样的结果上的区别。可以看到，基础提示词相同的情况下，这次强化后提示词的结果感觉比第一次的可用性更强，因为它更加聚焦在我们实际感兴趣的问题上。尤其是因为我们要求引用原文，所以感觉答案更加聚焦、更加详细。