现有资料能支撑知识库的组织、维护和分层判断,但没有专门讲企业信息安全门禁;门禁只能借用权限、guardrail 和“关键判断留给人”的原则作有条件推演。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
先定知识库的读取结构,再谈内容
资料里对知识库最具体的说法来自一个项目案例:把分析拆成多个维度,强制 AI 回答前先查知识库,以保证准确性和相关性;同时指出真实风险是知识库维护和更新,信息不全或过时会拉低回答质量1。这是该项目的设计经验,不是通用企业方案。
更成体系的说法是 Context Architecture:团队要设计什么信息放哪里、哪些长期保留、哪些按需加载、谁负责更新、AI 通过什么路径读取,本质是知识管理问题,只是对象多了 AI2。同一处还提到用 AGENTS.md 定义行为规范、MEMORY.md 沉淀已验证的判断原则和边界,以及不要一次塞满上下文、按任务逐步引入细节2。按此推演,搭建顺序大致是:先定目录与更新责任人,再定 AI 的读取路径和行为规范,最后才灌内容——这是 AI 的综合,不是原文给出的步骤清单。
用“确定性—模糊—人判断”分层,别把门禁全交给模型
AI推演资料给了一个可迁移的分工框架:能用明确规则判断的交给程序,规则不够用的交给 AI,AI 不要假装做最终裁判,而应把不确定的部分交出来给人看3。原文场景是数据筛查,不是知识库权限,但分工逻辑可借用。
对应到信息安全门禁,可以这样推演(AI 应用,非原文结论):账号、部门、文档密级这类明确规则用程序判定;涉及“这段内容该不该给这个人看”的模糊判断交给 AI 辅助;最终放行或拒绝由人确认,并把每次人工判定回灌成规则和评测3。原文强调要建 evals 量化 precision/recall,并持续把成功和失败案例加回去3。这能解释为什么门禁不宜一次性全自动。
把权限、guardrail 和评测当作系统层,而非附加项
在 AI 产品分层框架里,只有当 AI 具备 memory、permission、guardrails、evals、handoff、runtime 时,才开始接近 AI-native system4。也就是说,权限与防护属于系统成熟度的一部分,不是上线后再补。
另一处访谈提到,生产可用的 AI agent 要处理幻觉、知识库、RAG、低延迟、工具调用、合规边界和 eval,很多问题只有真正上线、接触用户后才暴露;文中把 guardrail、test、eval 列为交付系统的组成部分5。这些是转述嘉宾 Jove 的定义与作者观察,不是门禁方案本身。
综合来看:门禁要落在“谁能读、AI 读到什么、出错时怎么拦、怎么评测”四件事上,而不是只写一份权限文档。这是 AI 的综合判断。
提供的资料没有专门讨论企业信息安全门禁、身份认证或数据分级的具体做法;上述门禁部分是借用通用分工与系统分层原则的推演,不能当作已核实的实施方案。
出处
- 1用“AI产品的六个层次”,分类AI Architect学员项目,结果如何?
提供一个知识库项目的具体设计(强制先查库)和维护风险。
- 2AI User 与 AI Builder 的 5 个差距,和背后具体技术原因 | 科技大厂打工人版
讲 Context Architecture、AGENTS.md/MEMORY.md 与按需加载,是知识库组织最成体系的一段。
- 3不要一上来就让 AI 判断一百万条数据|AI与人协作的任务光谱
给出确定性程序、AI、人三方分工及评测闭环,可用于推演门禁。
- 4AI产品的六个层次
说明 permission、guardrails、evals 属于系统层能力。
- 5AI Agent 时代的 FDE:把模型能力落到真实业务里
可回到原文核对这部分判断
追问2026年11月17日
有没有清晰的企业知识库搭建的案例或者步骤?企业知识库的更新责任应该怎么分配,怎么才能避免信息过时?怎么才能为知识库问答建立一套可以量化的评测呢?
现有材料能支撑评测和试点的方法,但没有可直接照搬的企业知识库搭建案例;更新责任与防过时只能借用“上下文由谁产生和维护”的思路作有条件推演。
评测可以先把评分标准当成功标准
Marco Casalaina 给出的做法是:在构思要做什么时,先把评分标准(rubric)写出来,把它当作成功标准。他提到很多企业已有类似物,比如银行的合规文档,可以据此调整成给 AI 用的评分标准1,2。这为“可量化评测”提供了一个起点:先明确什么算答对、答好,再拿它去检验系统。
他还强调 AI 需要格外长的试点期:让真实用户使用、认真收集反馈,再把反馈纳入评分标准,使评估检验系统是否符合用户真正想要的行为2。按这个思路,评测集不是一次写死的,而是随真实使用反馈迭代。他还提到“评估维护者/评估员”正在成为一种新岗位1。这是 AI 对上述说法的综合,不是他给出的完整评测指标清单。
更新责任:谁产生上下文,谁维护
AI推演关于知识库更新责任怎么分,材料里没有直接讲企业知识库的分配方案。可借用的是立正(Yuzheng Sun)在 AI Native 组织一文中提出的 Context Architecture 思路:先定义一项任务或项目需要哪些 context,谁负责产生和维护这些 context,以及这些 context 散落在哪里、如何组织并渐进式暴露给 AI3。这是他的方法论主张,不是针对知识库更新的专门结论。
按此推演(AI 的应用判断):每条知识都应有一个明确的产生者和维护者,而不是笼统交给“知识库管理员”。避免过时的可观察做法,是让维护责任跟着内容来源走,并在评测中检验答案是否仍符合当前真实情况——后者接的是 Casalaina 把用户反馈纳入评分标准的思路2,3。
搭建步骤:材料只给了原则,没有现成案例
材料里的观点现有片段没有提供一套完整的企业知识库搭建案例或分步流程。能确认的相关原则有两条:一是先写评分标准、明确成功标准;二是给 AI 足够长的试点期,让真实用户参与并把反馈回灌到评估中1,2。立正的文章则把知识库放在“从原始信息到结构化知识库,再到 AI 可消费的格式”的上下文流转中,并提到文档系统、知识库、MCP 集成等工具链3。这些是方向性描述,不是可直接照做的步骤清单。
所给片段没有企业知识库搭建的完整案例、分步流程,也没有专门讨论更新责任分配和防过时的具体机制;相关内容只能按评分标准、试点反馈和上下文维护原则作有条件推演。
出处
- 1AI在大企业中的应用才刚刚开始,人才供不应求?|对话微软CoreAI副总裁Marco Casalaina
Casalaina 讲先写评分标准、评估维护者岗位,是评测思路的直接来源。
- 2AI在大企业中的应用才刚刚开始,人才供不应求?|对话微软CoreAI副总裁Marco Casalaina
讲长试点期、用户反馈回灌评分标准,支撑评测迭代。
- 3AI Native 的组织形态:当执行成本下降,组织必须重写
立正提出谁产生和维护 context 的框架,可用于推演更新责任。
追问2026年11月17日
如果企业知识库要进行完整的ai化,至少要拆解成几个skill(几个环节)去进行承接
没有固定“最少几个”的数字。现有材料给出的是一条可拆的链路:上下文分层与管理、切分与索引加载、判断与规则、评估、诊断、编排,再加上人工确认。
先按“动词”拆,而不是按工具拆
立正在讲 RAG 时,把这一概念拆成六个动词能力:上下文管理、切分、判断、评估、诊断、编排,并说同样的拆法适用于 AI 知识库。这可以作为拆 skill 的骨架:每个 skill 对应一类要反复做好的动作,而不是对应某个产品或模型1。这是 AI 对“环节”的归纳,原文并未给出“至少几个”的数目1。
知识库特有的三块:分层、加载、持续生效
知识库要真正跑起来,光有检索不够。立正把差距归到三处:context 怎么分层和管理(三层记忆、蒸馏策略、隔离边界),怎么让 AI 渐进式加载 context(索引设计、加载策略、context window 管理),以及怎么让规范持续起作用(规则注入、自动检查、可观测性)2。这三块分别对应架构、技术实现和工程化,可以各拆成一个 skill,也可以合并,取决于团队有没有人同时懂 AI 工程和组织管理2。
评估和人工确认不能省
立正把“可靠 workflow”的标准写得很具体:为每一步定义输入、输出和质量标准,决定哪些步骤由模型做、哪些由代码做,添加评估机制,记录失败案例,并在关键节点加入人工确认3。对知识库来说,这意味着至少要有“评测”和“人工复核”两个承接点,否则无法判断回答是否引用了正确原文、是否遗漏高风险内容3。另外,写 skill 时应补业务背景、说明什么是好和常见错误,少把步骤写死,这样模型或 harness 更换时积累仍可复用4。
现有材料没有给出“最少几个 skill”的确定数字,也没有企业知识库完整落地的分环节清单;上面的拆分是依据 RAG 六动词和 context 基础设施三处差距做的推演,具体数目需按团队规模与现有系统确定。
出处
- 1AI的正确打开方式:不学概念,学动作
给出 RAG 对应的六个动词能力,并明确说同样适用于 AI 知识库,是拆环节的主要依据。
- 2你团队的 AI 效果不好,问题不在模型,在 Context
指出知识库零散尝试与系统基础设施的差距在分层管理、渐进加载、规范持续生效三处。
- 3AI产品的六个层次
说明可靠 workflow 需要步骤定义、评估机制、失败记录和人工确认。
- 4从结果确定性到通用智能:和韦晓亮老师聊AI、产品与教育
讲 skill 应写业务背景和好坏标准,少写死步骤,便于跨模型复用。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 在學校做二手物品網站是個好生意嗎
现有材料没有直接评估校内二手网站,无法判断它是不是好生意;能借用的只有一条原则:先找对问题,再谈解法,创业不是做了A就一定有B。
- 如果一個產品或者是服務具備所謂的 PMF,也就是 Product Market Fit,那理論上來說,應該不需要持續地去投廣告或者是上傳影片來獲取流量。 因為如果所謂的這個 PMF 真的這麼大的話,那應該就會有一大堆人自動找上門來,跟你說請你把你的服務提供給他們。
但是,像課代表的線上課程,很多時候也都是他們自己要去推動這件事情。 那為什麼這件事情又是一個所謂具備 PMF 的事情? 所以照理說的話,PMF是不需要任何行銷跟推廣的才對吧。
PMF 不等于“不用推广”。它说明产品确实解决了某群人的问题;但别人得先知道、看懂、愿意试,才会找上门。课代表持续做内容,是在做获客和信任,不是在否认 PMF。
- ai视频怎么制作
AI 做视频的核心不是一键生成,而是把转录、字幕、剪辑、标题等重复环节交给工具,人保留选题和判断。
- 如何做好个人网址
先想清楚主页给谁看、看完要做什么,再让 AI 边做边改,最后放到自己的域名上。
- 你的博客中提到过super linear社区中有鸭哥管理AI文件系统,好像是做好备份这样的工作的资料是什么
你记得的应该是立正在一期视频播客里提到:社区里有鸭哥的帖子,讲怎么搭建一套让 AI 操作电脑时也不怕删东西的备份系统。
- mcp 是不是很鸡肋
不能简单说 MCP 鸡肋。立正认为 MCP 是合理协议,但现阶段不值得花大量时间学或自建 Server;它保证不了下限、限制上限,还容易让人分心。