Agno通过Agentic RAG技术实现知识增强，配置专业知识库需要四个关键环节：
- 文档准备：支持PDF/URL等格式源，如案例中的
ThaiRecipes.pdf菜谱文档。 - vector database：默认集成LanceDB，需配置
uri（存储路径）和table_name（集合名）。 - embedding model: Use
OpenAIEmbedder等将文本转换为向量，推荐text-embedding-3-small平衡成本与效果。 - Knowledge loading：首次调用
agent.knowledge.load()完成文档解析和向量化存储。
完整实现示例：knowledge=PDFUrlKnowledgeBase(
urls=["https://example.com/doc.pdf"],
vector_db=LanceDb(uri="tmp/db", table_name="docs"),
embedder=OpenAIEmbedder(id="text-embedding-3-small")
)
配置后，智能体会优先从知识库获取答案，如案例中准确回答”泰式椰奶鸡汤的做法”。知识检索采用MMR算法确保结果多样性，避免单一重复响应。
This answer comes from the articleAgno: A framework for building multimodal intelligences with memory, knowledge and toolsThe
May not be reproduced without permission:AI productivity tools " 如何为Agno智能体添加专业领域知识库？
English 
简体中文 
日本語 
Deutsch 
Português do Brasil