前言

在日常学习和查资料的过程中，我经常会遇到这样的问题：资料很多，但整理效率很低；AI 虽然能回答问题，但往往缺乏对上下文的理解，也很难基于一批文档做出结构化的总结。于是我尝试用 Nexent 搭建一个“论文/资料整理助手”，希望它不仅能回答问题，还能真正参与到资料整理的过程中。

在这个过程中，我从最基础的知识库导入开始，将不同风格的文档（如论文摘要、技术笔记等）整理进智能体中，观察其总结与检索能力；随后又尝试接入 MCP 工具，让智能体能够在必要时调用外部能力补充信息；同时也体验了 Nexent 自动生成提示词的能力，并在实际调试中不断进行手动优化。整个智能体从搭建、调试到最终发布上线，逐步形成了一个可以实际使用的资料整理工具。

智能体整体设计

在开始搭建之前，我先明确了这个“论文/资料整理助手”需要解决的核心问题：不仅要“能回答”，更要“能整理、能对比、能输出结构化结果”。换句话说，它应该更像一个可以协助阅读和理解资料的工具，而不是简单的对话模型。

在能力实现上，我没有把所有事情都交给模型本身，而是做了分层设计：

• 知识库：负责存储论文内容、整理规则和输出模板，用于提供基础理解能力
• 工具（MCP）：用于在知识库信息不足时补充外部能力，例如文本处理或信息扩展
• 提示词（Prompt）：用于约束输出结构，确保结果稳定、可复用

整体流程可以理解为：

用户输入 → 智能体分析任务 → 优先使用知识库 → 必要时调用工具 → 按结构输出结果

通过这样的设计，我希望这个智能体不仅“能用”，而且在不同场景下表现稳定，真正具备一定的实用价值。

同时，在这个场景让大家可以感受到Nexent智能体平台的强大功能与生态，做到零代码构建智能体

知识库构建：约束智能体回答

知识库上传

在完成知识库内容的整理之后，我将其整体导入到 Nexent 中，并作为智能体的核心信息来源。

该知识库主要包含两类内容：

• 一类是论文相关的结构化摘要，用于提供具体的知识支撑。
• 另一类是输出规范与整理规则，用于约束智能体的回答结构。

怎么将创建好的知识库导入到Nexent平台呢？下面用一场图片说明

• 在左侧导航栏选择知识库 → 创建 → 点击讲本地知识库上传至平台，绿色方框代表了知识库的名字，可以自己设定

知识库总结能力

在完成知识库构建后，我也尝试了 Nexent 提供的“知识库总结”功能，对整体内容进行一次自动整理。从实际效果来看，该功能能够较好地提炼出知识库的核心能力，并将分散的内容统一概括为一段结构清晰的描述。

例如在我的“论文资料整理助手”知识库中，系统总结出了其主要能力包括：单篇内容提炼、多篇对比分析以及通俗化解释等，同时也强调了结构化输出和规范化整理的重要性。这与我在知识库中设计的规则和模板基本一致，说明模型在整体理解层面是有效的。

引入知识库之后，智能体在处理论文或资料时，会优先基于已有内容进行检索与整理，而不是完全依赖模型的自由生成。相比未接入知识库的情况，回答在结构上更加稳定，信息也更加聚焦，能够更好地按照预设的格式输出总结结果。

知识库的引入让智能体从“泛化回答”转变为“基于资料的整理工具”，为后续的工具接入和能力扩展打下了基础。

工具接入实践：让智能体不仅“会说”，还能“做事”

MCP配置

在知识库能力之外，我进一步通过 MCP 为智能体引入了工具能力。这里就要注意了，MCP服务的接入和知识库有所不同，左侧导航栏并不能帮我们接入MCP服务，后续应该会优化，但是现在它需要在智能体创建页面进行接入

• 注意：左侧导航栏MCP工具暂时是用不了的，等待后续开发

• 在左侧导航栏选择智能体开发 → MCP配置

接入第三方MCP服务

本次实践中，直接使用了魔搭（ModelScope）社区提供的可用 MCP 服务进行接入，无需额外开发即可完成配置。 选择两个能够用上的MCP服务，先不急，先看看需要什么才能成功引入MCP服务

** MCP服务接入要求：**

1. 服务器名称
2. 服务器URL

随意选择一个MCP服务为例，我们只需要在魔搭社区上点击连接，就可以查看到对应MCP服务的URL，然后复制到Nexent平台即可

引入 MCP 后，智能体在处理任务时不仅能够依赖知识库进行内容整理，还可以在需要时借助工具能力进行辅助处理，从而提升整体表现。在实际体验中，MCP 的接入使得智能体在面对较复杂或信息较长的输入时，输出更加稳定，结构也更加完整。

MCP 更像是对知识库能力的一种补充：知识库负责提供基础内容与规则约束，而工具能力则在关键场景下提供额外支持。两者结合之后，智能体从单一的信息整理工具，进一步具备了一定的扩展能力。

Prompt 生成与优化：从自动生成到手动调优

在智能体搭建过程中，我也体验了 Nexent 提供的提示词自动生成功能。整体来看，自动生成的 Prompt 能够较快地帮助智能体建立基础行为，例如明确任务类型和输出方向，在初期搭建阶段非常高效。

使用一句话来定义这个智能体：

• 优先基于知识库完成论文与资料的结构化整理，在必要时调用 MCP 服务补充信息，提升分析与总结的完整性与准确性。

生成好初始化的智能体之后，可以根据给出的信息进行修改，有不足的地方我们可以进行调优，同时官方也给出了当前版本下的示例，根据示例找到修改方向

同时目光移动到智能体角色那里，我们新增几条角色定位：

• 优先使用知识库和MCP服务进行解答
• 明确输出结构，强化固定模板约束
• 增加对多篇资料“优先对比”的指引
• 限制模型在信息不足时的表达方式，避免不必要的推测

在优化之后，智能体的表现明显更加稳定：输出结构更加统一，对比分析更加清晰，同时在面对不完整资料时也能够更谨慎地给出结果。

自动生成 Prompt 适合快速起步，而手动调优则是提升智能体稳定性和可控性的关键步骤，两者结合可以显著提升最终效果。

调试过程

这些问题大多集中在“控制模型行为”这一层面，而通过对 Prompt 和使用方式的调整，基本都可以得到有效解决，也让智能体的表现逐渐趋于稳定。 在智能体的构建时就已经通过对Prompt 和使用方式的调整，因此在调试过程中，能遇到的问题基本都被化解

如果在调试时，出现了太多太多的问题，绝大部分都是可能通过修改Prompt 和使用方式的办法解决

部署上线

在完成智能体调试之后，部署与发布的过程相对比较简单。在 Nexent 中，只需要填写对应的版本名称，并记录本次更新的日志信息，即可完成智能体的发布流程。

相比传统需要手动部署服务或配置环境的方式，这种发布流程更加轻量，也更适合快速迭代。在实际体验中，我可以在每次调整知识库、Prompt 或工具配置后，快速生成一个新版本并进行验证，从而不断优化智能体效果。

智能体体验效果：

在体验过程中可以明显感受到，智能体并不是简单复述原文，而是基于知识库进行了一定程度的提炼与重组，使输出更加有层次。同时，在连续对话中，也能够保持上下文一致性，支持进一步追问和细化分析。

我的感受：优点与不足

在完整体验 Nexent 智能体开发流程之后，我整体的感受是：上手门槛低、能力组合灵活，但在细节控制和调试体验上仍有优化空间。

• 从优点来看，Nexent 在智能体搭建方面做得比较轻量。无论是知识库接入、MCP 工具使用，还是最终的发布流程，都可以通过较少的配置快速完成，整体流程非常顺畅。
• 不过在使用过程中，也存在一些可以改进的地方。例如，Prompt 自动生成虽然可以快速起步，但在复杂任务场景下仍需要手动调整，说明在精细控制方面还有提升空间

总结

通过这次实践，我基于 Nexent 从零构建了一个“论文/资料整理助手”，完整体验了从知识库构建、MCP 工具接入、Prompt 优化到最终发布上线的全过程。整体下来，Nexent 更像是一个“能力组合平台”，可以将知识、工具与模型有效整合，让智能体从简单对话逐步具备实际可用的能力。

同时这并不是Nexent的全部能力，还有很多功能没有被大家开发，未来或许还会有很多工具调优， 也会更加值得期待。 感兴趣的话，欢迎大家尝试

• Nexent文档：https://doc.nexent.tech/zh/getting-started/overview.html