企业知识库不是先“建一个库”,而是先设计好上下文如何分层、如何被 AI 渐进加载、如何持续维护;坑主要出在这三件事被当成一次性整理文档。
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。
先想清楚知识库是给 AI 用的上下文基础设施
立正把知识库放在 Context Architecture 里看:从原始信息到结构化知识库,再到 AI 可消费的格式,是一条流转链路,而不是一个静态文档仓库1。他提到这套方法包含三层:定义任务需要哪些 context、谁负责产生和维护;设计团队的 context 流转方式;选择文档系统、知识库、MCP 集成等工具链1。所以搭建顺序应是先定“谁在什么任务里需要什么知识”,再选工具,而不是先买系统再往里塞文档。
三个容易踩的坑:分层、加载、持续生效
立正指出零散尝试和系统基础设施是两码事,差距在三点:不知道 context 该怎么分层和管理(三层记忆、蒸馏策略、隔离边界),这是架构问题;不知道怎么让 AI 渐进式加载 context(索引设计、加载策略、context window 管理),这是技术实现问题;不知道怎么让规范持续起作用(规则注入、自动检查、可观测性),这是工程化问题2。对应到知识库:文档全量堆进去不等于 AI 能用好,需要索引和按需加载;政策、规则会变,没有更新和检查机制,答案就会过期。一个具体案例是产假小助手,原文提到政策变更可能导致计算结果不再准确,需要定期更新规则引擎和政策文档3。
给准备动手的团队一个起点
AI推演如果你们已有零散的知识库和 prompt 模板,可以先挑一个高频、答案有明确出处的业务问题(如政策问答),把它当作第一条完整链路来跑:明确谁维护源文档、AI 从哪些片段取答案、答案错了怎么发现。这是 AI 基于上述材料给的应用建议,不是原文规定的流程。判断是否跑通,可以看两件事:答案能否指回具体文档,文档更新后答案是否跟着变。原文强调这类设计需要同时具备 AI 工程和组织管理经验的人来做2。
提供的片段只给出 Context Architecture 的框架和三个问题方向,没有展开三层记忆、索引设计、eval 的具体做法;原文说详细方法会在后续文章分享,本次资料中没有。
出处
- 1AI Native 的组织形态:当执行成本下降,组织必须重写
给出 Context Architecture 的三层框架和知识流转思路,支撑搭建顺序。
- 2你团队的 AI 效果不好,问题不在模型,在 Context
直接列出知识库类尝试与系统基础设施的三点差距,是回答“坑”的核心依据。
- 3用“AI产品的六个层次”,分类AI Architect学员项目,结果如何?
提供政策文档类知识库的真实案例,说明文档更新带来的失效风险。
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
- 企业AI知识库的搭建步骤和注意事项是什么?信息安全门禁如何处理
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。
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。