NocoBase 内置 AI 员工 Vera：研究分析师实战指南（联网搜索、信息核验与资料汇总）-育师

NocoBase 内置 AI 员工 Vera：研究分析师实战指南（联网搜索、信息核验与资料汇总）

【免费下载链接】nocobaseNocoBase is an open-source AI + no-code platform for building business systems fast. Instead of generating everything from scratch, AI works on top of production-proven infrastructure and a WYSIWYG no-code interface, so you get both speed and reliability.项目地址: https://gitcode.com/GitHub_Trending/no/nocobase

Vera 是 NocoBase 内置的「研究分析师」AI 员工，专注面向公开互联网的外部信息检索场景：搜索最新资料、交叉核验多来源信息，并整理出带来源依据的结论。读完本文，你将掌握 Vera 的职责边界、底层提示词工作流（如何搜索、核验、呈现结论）、联网搜索的启用条件与平台差异，以及如何把它接入 AI 员工对话面板、工作流自动化与自定义工具，构建可追溯的调研流程。

角色定位：面向外部信息检索的研究分析师

在 NocoBase 的 AI 员工体系中，Vera 与数据洞察（Viz）、数据整理（Dex）、翻译（Lexi）等员工不同，它的工作对象不是业务库内的数据，而是公开互联网信息。官方文档给出的定位是：能够搜索公开互联网信息，并整理出带来源依据的结论（见 docs/docs/cn/ai-employees/built-in/vera.md）。

从源码定义看，Vera 在@nocobase/plugin-ai插件内通过defineAIEmployee注册，包含完整的身份信息：

// packages/plugins/@nocobase/plugin-ai/src/ai/ai-employees/vera.ts export default defineAIEmployee({ username: 'vera', description: 'AI employee for research and web search', avatar: 'nocobase-027-female', nickname: 'Vera', position: 'Research analyst', bio: "I'm Vera, your research analyst. My job is to find the most current and accurate information from the internet to answer your questions. I sift through the noise to deliver reliable, sourced facts, so you can make decisions with confidence.", greeting: "Hi, I'm Vera. What information can I help you find and verify today?", systemPrompt: `...`, });

可以推断：nickname决定对话中显示的名字，position决定其在员工列表中的岗位标签，greeting是会话开场白，而systemPrompt则是 Vera 所有行为的"岗位说明书"——下面会详细拆解。这段定义位于 vera.ts，与 Atlas、Viz、Dex 等内置员工放在同一目录下统一注册。

适用场景

Vera 官方文档列出的核心适用场景为：

查询最新公开资料：模型训练数据有时间截止点，联网搜索恰好弥补这个缺口，获取"此刻"的信息；
对比多个来源的信息：对同一事实做多源交叉验证，识别口径差异；
汇总竞品、行业、政策、市场资料：把分散在不同网站、不同表述的信息整理成一份结构化结论。

这些场景的共同点是：答案不在业务数据库里，而在互联网上；并且对时效性和来源可信度有明确要求。Vera 的系统提示词正是围绕这两点设计的（见下文"底层原理"）。

使用入口

1. AI 员工对话面板

Vera 与所有内置 AI 员工一样，默认已全部启用（见 docs/docs/cn/ai-employees/quick-start.md），无需单独安装。使用路径为：

点击右下角 AI 员工入口打开对话面板；
在员工选择器中切换到Vera（研究分析师）；
输入问题开始对话。

默认员工是团队领导 Atlas，他会根据你的问题自动分派合适的员工协作。当你明确知道任务是"查资料、做研究"时，直接手动切换到 Vera 会更聚焦。

2. 启用联网搜索能力的任务场景

Vera 的价值高度依赖联网搜索。是否可用取决于当前会话所选模型服务是否支持 Web Search（详见 docs/docs/cn/ai-employees/features/web-search.md）：

支持：对话输入区域显示联网搜索开关，可按需开启/关闭；
不支持：不显示该开关，且搜索状态会被自动关闭。

开启开关后，AI 会根据上下文提炼关键词 → 调用工具执行搜索 → 结合搜索结果回复；关闭后则仅基于已有上下文回答。当前文档明确支持的 LLM 服务包括 OpenAI（注意 OpenAI (completions) 不支持）、Google Generative AI、Dashscope，实际使用时请以你所配置服务的能力为准。

底层原理：Vera 的 System Prompt 工作流拆解

Vera 的能力边界全部定义在 vera.ts 的systemPrompt中。从源码看，它由"核心使命、标准作业流程、交战规则、输出示例"四部分构成，这本身就是一份高质量研究型 Agent 提示词的范本。

核心使命（CORE MISSION）

通过搜索公开互联网，为用户的问题提供准确、及时、来源充分的答案；并区分高质量权威来源与低质量、有偏见的来源，节省用户时间、防止误导。一句话概括：Vera 不做猜测，只做"有据可查"的结论。

标准作业流程（CORE OPERATING PROCESS）

每个请求都按四步执行：

拆解与规划（Deconstruct & Plan）：分析问题中的核心实体、关键词和具体信息需求，构造多条精确搜索查询，覆盖话题的不同角度；
搜索与聚合（Search & Aggregate）：在公开互联网执行查询，必须从至少 3–5 个高质量来源收集信息，形成全面、平衡的视角；
综合与核验（Synthesize & Verify）：批判性评估结果，在多个来源之间交叉核对关键事实，优先采纳知名新闻媒体、官方文档、学术论文和权威专家机构的资料；对无法证实或明显过时的说法予以丢弃或显式标注；
结构化输出（Structure & Report）：按以下优先级组织回答——
- 优先级 1 直接回答：把核验过的发现综合成清晰、简明的摘要，且每个含事实断言的句子末尾都必须带引用标记；
- 优先级 2 限制与原因：如果无法从可信来源验证出确定答案，必须在回答开头明确说明这一限制，并简要解释原因（如"该话题高质量来源稀缺""权威数据相互矛盾""事件太新、官方报告尚未发布"）；
- 优先级 3 支撑示例与相关信息：任何示例、案例或相关（但已核验）的信息，只能在直接回答或限制说明之后给出。

交战规则（CRITICAL RULES OF ENGAGEMENT）

语言：优先使用用户的语言{{$nLang}}回复，与用户提问语言保持一致；
事事引用（Cite Everything）：绝不呈现没有对应引用的事实、统计数据或直接引语；找不到可信来源时必须声明"该信息无法独立验证"；
时效优先（Timeliness is Key）：始终优先最新、最相关的信息，日期相关时需说明（如"根据 2025 年 3 月的报告……"）；
禁止观点与猜测（No Opinions or Speculation）：绝不提供个人观点、分析、预测或任何无来源直接支持的信息，语气保持中立客观；
明确陈述限制（State Limitations Clearly）：搜索无确定或高质量结果时，必须 upfront 说明并解释原因，禁止用劣质来源或牵强相关的内容顶替直接回答。

默认输出示例（One-Shot CoT）

提示词末尾内置了一个理想输出的范例：一段清晰的文字摘要 + 编号来源列表，例如：

The capital of Australia is Canberra. This was a compromise choice between the two largest cities, Sydney and Melbourne. Sources: [1] Australian Government. "About Australia." [URL], accessed on [Date]. [2] National Archives of Australia. "The Founding of a Capital." [URL], accessed on [Date].

这个"摘要 + Sources 列表"的输出范式，是 Vera 与普通聊天模型最直观的区别：结论与证据一一对应，天然支持人工复核。

使用前准备：模型服务与员工启用

要让 Vera 正常工作，前提是完成 AI 员工的基础配置（详见 docs/docs/cn/ai-employees/quick-start.md）：

安装插件：AI 员工是内置插件@nocobase/plugin-ai，无需单独安装；
配置 LLM 服务：进入系统设置 -> AI 员工 -> LLM 服务（或在 AI 对话面板选模型时通过"添加 LLM 服务"快捷入口跳转），选择服务商、填写 API Key、配置启用模型；
启用员工：内置员工默认全部启用。如需调整，在系统设置 -> AI 员工列表页修改Enabled开关（详见 docs/docs/cn/ai-employees/features/enable-ai-employee.md）；
开始对话：在右下角 AI 员工入口打开对话框，切换到 Vera，需要最新信息时记得打开联网搜索开关。

提醒：联网搜索开关的显隐由模型服务决定。如果你选择的模型不支持 Web Search，Vera 将退化为"仅基于上下文回答"，其研究能力会大打折扣。

进阶用法一：在对话与任务场景中约束与调用

Vera 的行为可以在两个层面被进一步控制：

技能与工具权限：工具（Tools）定义了 AI 员工"能做什么"，权限统一为Ask（调用前询问确认）与Allow（允许直接调用）。涉及修改数据的工具建议默认Ask（详见 docs/docs/cn/ai-employees/features/tools.md）。虽然 Vera 本身只读不写，但若你通过工作流给它挂载自定义工具，权限配置同样适用；
提示词定制：可以参考 AI 员工提示词工程指南的"九要素"公式（起名 + 双重指令 + 模拟确认 + 反复强调 + 强制规则 + 背景信息 + 正向激励 + 参考示例 + 反面示例）修改 Vera 的岗位说明。Vera 自带提示词实际上已经示范了其中多项：起名（"You are Vera"）、强制规则（MUST cite everything / NEVER speculate）、背景信息（来源优先级）、参考示例（One-Shot CoT 输出样例）。

进阶用法二：把 Vera 嵌入自动化调研流程

Vera 不只能被动回答对话，还可以作为工作流中的一个执行节点。仓库中提供了一个完整的"公司背景调研自动化"场景（见 docs/docs/cn/ai-employees/scenarios/company-background-research.md），其设计思路与 Vera 的能力完全契合：

用companies公司信息表保存当前可用资料，用background_check_tasks背景调查记录表保存每次调研的状态（pending→processing→completed）、报告、摘要和写回前的旧版本；
三种触发方式（新增/更新自动触发、每 30 分钟定时补齐、人工按钮触发）统一汇入任务表；
Do company background check工作流监听pending记录，调用 AI 员工生成结构化报告 + 复核摘要，再把结果写回；
产出物按固定结构组织（公司概况、核心业务、发展历史与资本背景、市场位置和竞争视角、销售跟进判断、引用链接），业务人员可对照Previous background进行版本对比与复核。

这正是 Vera"事事引用、结论可复核"特性的工程化落地：AI 不停留在"生成一次文本"，而是参与到持续维护、复核和版本比较的过程里。类似的模式可迁移到供应商准入、客户尽调、合同风险初审、舆情跟踪等"资料需持续补全 + AI 结果需留痕"的场景。

小结

Vera 是 NocoBase 内置员工中唯一的外部信息研究型角色，其核心价值在于三点：联网获取最新信息、多源交叉核验、带来源依据的结构化输出。使用时注意三点：模型服务必须支持 Web Search 才能发挥联网能力；直接切换到 Vera 对话即可完成日常查证；需要留痕的批量调研则可通过"任务表 + 工作流 + 员工节点"的方式自动化落地。

相关阅读