知识库搭建向导

你要解决的不是选型，而是结构决策

很多人第一次搭 RAG 知识库，卡点不在“向量化用哪个模型”，而在更前置的问题：个人知识库该按主题、项目还是工具分目录？企业客服场景需要哪些权限位？素材有 PDF、网页、会议纪要，入库流程到底先清洗还是先切片？这些决定没有标准答案，但需要一套可复现的引导路径，否则很容易从搭知识库退化成反复试错。

它会按用途给出搭建路线

知识库搭建向导 不替你直接选 Embedding 或向量库，而是先收集用途（个人 / 团队 / 客服）和素材类型，再输出包含 目录 / 标签体系、入库与清洗流程、检索与维护机制 和 工具选型建议 的方案。你需要输入场景和材料特征；技能返回的是可执行路线图，因此可以把第一版知识库拆成几次小范围试点验证。

关键步骤

1. 明确范围：个人第二大脑、团队共享资料、客服知识答复等不同目标，对应不同的分区、标签和权限策略。
2. 设计结构：先确定知识库定位与边界，再设计目录、标签、权限位，避免后续因结构混乱被迫重做分区。
3. 定义管线：按 采集-清洗-向量化-检索 规划入库流程，明确每个环节的输入输出和责任边界。
4. 选择工具：技能会给出工具选型建议，但不绑定特定厂商，可结合团队现有基础设施调整。
5. 安排维护：输出维护表，覆盖内容更新节奏、质量复盘和检索效果检查，强调 先小后大。

输出与预期

最终交付物通常是 架构图 + 流程 + 工具清单 + 维护表。输出会标注 先小后大，建议先用 1-2 个样例验证分区和入库流程，再扩展范围。如果对结果不满意，可以先补充具体场景、数据量、权限约束和合规要求，再重新生成或调整方案。

适用边界

它适合需要“从 0 到 1 的起点设计”的人，不涉及未授权数据采集，也不会生成违反隐私、版权或平台规范的内容。方案中的实现细节需要按所在环境的实际能力调整，例如向量库、清洗工具和权限体系的可用性。它不会产生密钥或 token，也不代表可以绕过合规审查。