Notion 智能体实战：打造自我进化的团队问答机器人

团队知识库就像一座花园：刚建好时修剪整齐，用着用着就杂草丛生。Notion 官方教程展示了一套由三个智能体组成的「知识园艺」系统，让问答机器人不仅能回答问题，还能在答不上来时召唤人类专家、自动起草新文档，并定期巡检过时内容。这套系统已经在 AI 公司 Base 10 的销售团队中跑通，本文拆解它的设计思路和搭建方法。

传统知识库为什么总是烂尾

Notion 的讲解者 Bradford 用了一个生动的比喻：wiki 就像修剪过的园艺灌木，精心打理时是三维兔子，放任不管就是一团乱草。他坦言，这是自己整个职业生涯的痛点——任何做赋能（enablement）工作的人都面对过膨胀、难以治理的知识库。早期内容干净可控，但随着产品线变复杂、贡献者变多，更新 wiki 就成了优先级垫底的事，最后落到一两个人身上无休止地清理。

这是一项西西弗斯式的任务：无论多努力，永远无法成功。AI 智能体的出现让 Bradford 意识到，应该存在更好的办法。于是 Base 10 从知识检索的起点——Slack——开始重构整个流程。

三智能体架构：问答、归档、巡检

Base 10 的方案由三个 Notion 自定义智能体组成，各自负责知识生命周期的不同环节。

Katz GPT：Slack 里的「人形」问答专家

Katz GPT 的名字来自 Base 10 第一位客户经理 Anthony Katz。在团队扩张期，Katz 本人就是所有人获取正确信息的首选：没人比他更懂产品、组织和客户。Katz GPT 的目标就是「复制」这个人的大脑，通过 Slack 把一个人变成可无限分发的资源。

这个智能体连接了 Notion、Slack、Gong、Salesforce、GitHub、PostHog，以及 BI 工具 Sigma 等多个数据源。它在 Slack 线程里直接回答销售团队的问题，回答既简洁准确，又带有鲜明的人格——教程中展示了同事拿它开玩笑、问它对另一位客户经理的看法，它用「AJ 是靠谱的人」这样的口吻回应，让整个交互更有黏性。

Sales Reporter：把散落的知识归档回库

只靠问答会产生一个问题：信息被反复输出，却没有沉淀。Sales Reporter 负责第二个痛点——把整理和验证过的信息写回知识库。它每天扫描 Slack 中的常见讨论、无人回答的问题和新兴主题，自动起草 Sales Hub 文档并放入审核队列。

关键的「人在环」设计在这里体现：草稿不会直接发布，而是进入一个 Notion 数据库，列出标题、草稿页面、撰写理由、建议归属位置和建议负责人。人工点击批准后，内容才自动移动到对应位置。Bradford 强调，推送高置信度内容时可以尽量快、少摩擦，但新增内容必须有人类审核这一步。

人在环（Human-in-the-loop，HITL） 是 AI 系统设计中的一种协作模式，指在自动化流程的关键决策点引入人工审核或干预，而非让模型完全自主行动。在知识管理场景中，HITL 尤其重要：大语言模型可能生成看似合理但实际错误的内容（即「幻觉」），若直接写入知识库会污染信息源，后续检索和问答都会被误导。Sales Reporter 的设计将 HITL 落到实处——智能体只负责起草和推荐，最终发布权交给人类。这种分工既利用了 AI 的效率和覆盖面，又保留了人类对准确性和组织上下文的判断。Bradford 强调的「高置信度内容可减少摩擦，新增内容必须审核」正是对 HITL 粒度的精细化控制，在效率与质量之间取得平衡。

Sales Hub Verifier：定期巡检，修复知识缺口

第三个智能体每周审计 Sales Hub 中未验证或缺标签的页面，筛选出需要更新或重新验证的内容，自动生成 Slack 消息发给页面负责人。正是这个巡检机制，让 Base 10 知识库中绝大多数内容保持已验证和良好标签状态。

从零搭建：Notion 智能体实操

教程的后半段演示了如何从空白开始构建一个类似 Katz GPT 的问答智能体（演示中命名为 Bradford GPT）。流程可以概括为几个关键动作。

用AI帮你写指令

Bradford 认为，写指令（instructions）是构建自定义智能体时最让人却步的部分。他的建议是让 Notion AI 反过来采访你：告诉它你要构建什么样的问答智能体、它应该连接哪些工具，然后回答它提出的问题——受众是谁、回答应该是什么风格、证据薄弱时该怎么处理、给两三个代表性提问示例。

演示中，他故意给智能体设定了「咸味老海盗」的说话风格，以此说明人格设定如何体现在指令里。Notion 自动生成的指令还主动加入了防止冒犯性内容的约束，并按权威文档、已验证页面、Slack 讨论时效性排出了信息优先级——这正是他期望的检索层级。

指令（Instructions） 在自定义智能体的语境中，指的是用自然语言编写的系统级提示词（system prompt），它定义了智能体的角色、目标、语气、可用工具、信息优先级以及边界约束。与普通聊天不同，智能体的指令需要覆盖更多维度：它应该以什么人格说话、遇到证据薄弱时如何回应、不同数据源的检索顺序是什么、哪些内容需要拒答。指令的质量直接决定智能体输出的可靠性和一致性。Bradford 建议让 Notion AI 反过来采访构建者，本质上是借助模型自身的语言能力来补全人类容易遗漏的指令细节——例如自动加入防冒犯性约束、按权威性排出检索层级——从而降低编写高质量提示词的门槛。

配置触发器与外部工具

Bradford GPT 被设定为只在指定的 Slack 频道被触发，且仅在被提及时响应。Notion 支持直接连接 Google Workspace、Linear 等工具，其他第三方系统则可以通过 MCP（模型上下文协议）接入。演示中他粘贴了 Sigma 的 MCP 地址，让智能体能查询 BI 数据。搭建完成后，他在 Slack 里提问「Base 10 的专用部署是什么」，几秒内就收到了带海盗口吻、可追溯来源的回答，整个过程不到五分钟。

MCP（Model Context Protocol，模型上下文协议） 是 Anthropic 于 2024 年底开源的一项标准，用于让 AI 模型以统一方式连接外部工具和数据源。在 MCP 出现之前，每接入一个第三方系统（如 BI 工具、CRM、数据库）往往需要单独开发定制化的连接器与鉴权逻辑，集成成本高且难以复用。MCP 定义了一套客户端-服务器架构：AI 应用作为客户端，外部系统通过实现 MCP 服务器暴露其能力（如查询数据、执行操作），双方以标准化的消息格式通信。这使得智能体可以像插拔 USB 设备一样动态扩展能力。Notion 智能体支持通过粘贴 MCP 地址来接入 Sigma 等非原生集成的系统，正是借助了这一协议，从而避免了为每个数据源重复造轮子。

为什么把智能体放在公开频道

有人会问：让智能体在公开频道工作，会不会让人不敢提问？Bradford 的答案取决于组织文化，但文化是可以改变的。他回顾了 Katz GPT 所在频道的起源：一位客户经理先创建了这个「安全空间」，总裁亲自点赞支持，两个月后 Katz GPT 才入场，此后提问量和参与度暴涨。

他的观点是，让智能体进入公开论坛是难得的机会，但前提是领导层公开表态「这里可以脆弱、可以提问」。这一模式后来被复制到市场、招聘和部署工程师团队，各自都有对应的 Notion 智能体。

给搭建者的三条建议

Bradford 在结尾给出几条经验。第一，先想清楚你希望与智能体保持什么样的交互模式：有些在后台运行、需要时才找你；有些在公开场所被触发，因为它的回答要服务多个人。交互设计应该强化组织文化。第二，用 Notion AI 来构建 Notion 智能体，通过对话、测试、迭代完成指令打磨。第三，让真实需求引导设计——Base 10 的整套系统源于一个朴素的问题：如何把 Anthony Katz 复制出来。

这套方案的价值不止于效率。Bradford 说，看到 AI 和多个人类在同一个线程里协作，是一种信任和凝聚力的信号，也是知识管理一直想做到却始终没做到的事。

背景补充

Notion 自定义智能体（Custom Agents） 是 Notion 在 2024-2025 年间推出的 AI 功能，允许用户基于组织内的 Notion 页面、数据库以及外部连接的数据源，构建面向特定任务的 AI 助手。与通用的 Notion AI 问答不同，自定义智能体可以设定专属指令、限定触发场景（如在指定 Slack 频道被提及时响应）、连接第三方工具，并拥有独立的人格设定。它本质上是将大语言模型与组织知识库、协作工具深度绑定的轻量级 Agent 方案，无需编写代码即可完成配置。Base 10 的三个智能体——Katz GPT、Sales Reporter、Sales Hub Verifier——正是这一能力在知识生命周期管理上的组合应用，分别覆盖问答、归档和巡检三个环节。