企业知识库 AI 助手（RAG 为主）产品与技术实现方案

目录

一、项目背景与业务价值

（一）典型业务痛点

（二）可量化业务目标

二、行业内成熟项目与产品启示

（一）飞书智能伙伴：把 AI 嵌入协作入口

（二）钉钉 AI 助理：低门槛创建与权限限定

（三）百度千帆 Agent 开发平台：RAG、Agent、工作流一体化

（四）Microsoft Copilot Studio：知识源认证与禁止无依据回答

（五）Glean 与 Booking.com：从企业搜索走向知识工作平台

（六）成熟产品的共同规律

三、产品方案

（一）产品定位

（二）目标用户与典型场景

（三）功能模块

A. 多渠道问答入口

B. 企业知识中心

C. 知识问答引擎

D. 场景化助手创建平台

E. 权限与安全中心

F. 运营与评估中心

四、技术架构设计

（一）总体架构

（二）接入层

（三）业务编排层

（四）存储层

（五）模型底座层

（六）横向治理平面

五、文档处理与知识入库

（一）数据连接

（二）文档解析

（三）切片策略

（四）元数据增强

（五）索引构建

六、在线问答链路

（一）请求前处理

（二）检索策略

（三）Prompt 组装

（四）结果后处理

七、幻觉抑制、权限隔离与安全治理

（一）幻觉抑制

（二）权限隔离

（三）租户与数据隔离

（四）提示词注入防护

（五）审计

八、质量评估与可观测性

（一）离线评估集

（二）核心质量指标

（三）在线运营指标

（四）知识运营闭环

九、腾讯云部署参考

十、实施路线与里程碑

（一）实施从基线到试点推广

阶段 0：准备与基线（1–2 周）

阶段 1：POC（2–4 周）

阶段 2：试点（4–6 周）

阶段 3：推广（4–8 周）

阶段 4：Agent 化演进

（二）容量与成本估算方法

（三）风险与应对

（四）验收标准

功能验收

质量验收

性能验收

运维验收

十一、结论

参考资料

干货分享，感谢您的阅读！

互联网企业的知识通常分散在即时通讯、云文档、项目管理、工单系统、代码仓库、客户支持平台和对象存储中。员工真正遇到的问题并不是“没有资料”，而是资料分散、搜索入口多、权限复杂、版本更新快，导致新人反复询问、客服重复查找、研发在故障处理中耗费大量时间定位历史经验。

企业知识库 AI 助手的目标，不是简单把大模型接到文档上，而是建立一套“可检索、可追溯、可授权、可评估、可持续运营”的企业知识服务。RAG（Retrieval-Augmented Generation，检索增强生成）是核心技术路径，但完整产品还必须包含多源连接、文档解析、权限继承、检索质量工程、答案引用、风险控制、反馈闭环和运营治理。

我们尝试结合飞书智能伙伴、钉钉 AI 助理、百度千帆 Agent 开发平台、Microsoft Copilot Studio、Glean，以及腾讯云、Azure、AWS、Google Cloud 的公开技术资料，提出一套适用于互联网企业的产品方案和工程实现方案。方案以 RAG 为主，兼容多模型路由和 Agent 扩展，并给出腾讯云部署映射、实施路线、质量指标和验收标准。

一、项目背景与业务价值

（一）典型业务痛点

互联网企业常见的知识孤岛包括：

• 制度与流程：员工手册、财务报销、采购、法务、信息安全、数据合规。

• 产品与运营：产品需求文档、运营规则、活动方案、版本说明、竞品分析。

• 研发与运维：架构设计、接口文档、故障复盘、值班手册、发布记录、代码规范。

• 客服与销售：FAQ、工单、服务话术、产品配置、合同条款、客户案例。

• 项目协作：会议纪要、群聊结论、项目计划、风险清单、历史决策。

传统搜索通常只能解决“关键词命中”，难以处理跨文档归纳、口语化提问、上下文追问和表格数据问答。另一方面，直接把内部资料交给通用大模型又会带来权限越界、数据泄露、无依据生成和答案不可追溯等风险。

（二）可量化业务目标

建议以“节省查询时间、降低重复工单、提高首问命中、缩短新人上手周期”为主线设定目标：

一个合理的首期目标是：高频知识问答自助解决率达到 50% 以上，答案引用覆盖率达到 95% 以上，首屏响应时间控制在 3 秒左右，复杂回答完成时间控制在 8 秒以内。具体指标应以企业现状基线和试点数据校准。

二、行业内成熟项目与产品启示

（一）飞书智能伙伴：把 AI 嵌入协作入口

飞书公开资料显示，智能伙伴不仅提供通用对话，还嵌入群聊、文档、表格、多维表格和会议纪要等协作场景；在文档中可以进行全文问答、总结和待办提取，在群聊中可以总结近期消息并针对群聊内容问答。[1]

对企业知识库项目的启示是：

1. AI 助手应进入员工已有工作入口，而不是再建设一个孤立门户。

2. “问答”只是基础能力，更有价值的是在文档、会议和业务表格中直接理解上下文。

3. 场景化预设提示和快捷入口能够降低员工学习成本，提高实际使用率。

（二）钉钉 AI 助理：低门槛创建与权限限定

钉钉 AI 助理公开页面强调可由组织成员自定义 AI 助理，配置角色、风格、知识和能力，并对助理可访问内容进行权限限定；官方开放平台还提供知识库问答执行链，用于理解问题、检索知识库并生成易读答案。[2][3]

对方案设计的启示是：

• 企业需要“平台级能力 + 场景级助手”，例如 HR 助手、客服助手、研发助手、法务助手。

• 知识和工具能力要可组合，便于业务人员低代码配置。

• 权限不能只在页面入口控制，必须进入检索链路，确保“看不到的文档也检索不到”。

（三）百度千帆 Agent 开发平台：RAG、Agent、工作流一体化

百度智能云公开文档将平台定位为企业级大模型应用开发管理平台，提供 RAG、Agent、工作流、UI Builder，以及文档问答、表格问答、文档理解、图像理解等组件，并支持零代码、低代码和全代码开发。[4]

对项目的启示是：

• 企业知识库不应只支持纯文本；PDF 图文混排、扫描件、Word、Excel、PPT、网页和数据库都应纳入统一知识处理链。

• 首期可以从 RAG 问答切入，但架构要预留工具调用和工作流能力，例如查询工单状态、创建待办、发起审批。

• 平台应区分“知识库配置”“应用编排”“发布渠道”和“运行分析”，便于分工治理。

（四）Microsoft Copilot Studio：知识源认证与禁止无依据回答

Microsoft Copilot Studio 支持接入网站、上传文档、SharePoint、Dataverse 以及企业连接器。公开文档特别说明：使用用户身份认证时，助手只会展示该用户有权访问的内容；同时可以关闭“允许无依据回答”，在没有调用知识源或工具时阻止模型直接回答。[5]

对安全与质量设计的启示是：

• 身份认证和知识权限必须贯穿检索全过程。

• “不知道”是企业助手的重要能力。对制度、合规和客服场景，宁可拒答或转人工，也不能编造。

• 引用、来源、更新时间和文档责任人应作为答案的一部分，而不是后台日志。

（五）Glean 与 Booking.com：从企业搜索走向知识工作平台

Glean 的公开连接器说明强调同步源系统权限映射，确保用户只能看到源应用中已有权限的结果。[6] Booking.com 案例页面显示，其将 Glean 推广至约 14,000 名员工；IT 技术人员过去每张工单可能花费最多 10 分钟查找信息，使用自然语言查询后可近乎即时获得答案；视频脚本制作周期从 8 周缩短到 2 周，月产量从 2 个提升到 5 个。[7]

这个案例说明，成熟企业 AI 助手的核心不是“聊天界面”，而是三项底座能力：

1. 多系统连接与统一索引。

2. 权限感知的企业检索。

3. 在真实工作流中完成可度量的效率改进。

（六）成熟产品的共同规律

综合上述产品，可以得到六条共性规律：

• 入口内嵌化：进入 IM、文档、客服工作台、浏览器插件和业务系统。

• 知识多源化：云文档、工单、数据库、代码仓库和对象存储统一接入。

• 权限原生化：继承源系统 ACL，在检索时做用户级过滤。

• 回答可追溯：提供引用片段、文档链接、更新时间和置信度。

• 配置平台化：业务人员可创建不同角色、知识范围和工具能力的助手。

• 运营数据化：持续分析无答案问题、低质量来源和业务节省时间。

因此，本方案将产品定位为“企业知识服务平台”，而不仅是知识库问答机器人。

三、产品方案

（一）产品定位

建设一个面向互联网企业的统一 AI 知识助手，以 RAG 为核心，将内部文档、制度、工单、历史资料和业务数据转化为可授权、可引用、可对话的知识服务，并逐步扩展为可以调用业务工具的场景化智能助手。

（二）目标用户与典型场景

（三）功能模块

A. 多渠道问答入口

• Web 门户、移动端、企业 IM 机器人。

• 飞书/钉钉/企业微信/Slack 消息入口。

• 客服坐席侧边栏、研发门户、浏览器插件。

• 支持连续追问、上下文切换、快捷问题和答案复制。

B. 企业知识中心

• 上传 PDF、Word、PPT、Excel、TXT、Markdown、图片和压缩包。

• 连接云文档、Wiki、工单、Git、CRM、数据库和对象存储。

• 文档版本、责任人、有效期、标签、业务域和密级管理。

• 增量同步、定时同步、删除同步和失效提醒。

C. 知识问答引擎

• 意图识别、查询改写、多轮问题补全。

• 关键词 + 向量混合检索。

• 多路召回、重排序、去重和上下文压缩。

• 严格引用、答案置信度、拒答与转人工。

• 表格问答、跨文档归纳、对比总结。

D. 场景化助手创建平台

• 配置角色、语气、系统提示词和知识范围。

• 配置模型、温度、最大上下文和回答格式。

• 绑定工具能力：查工单、查订单、创建任务、触发审批。

• 支持测试集回归、灰度发布、版本回滚。

E. 权限与安全中心

• SSO、OAuth2/OIDC、企业目录同步。

• 组织、部门、角色、用户、项目组和文档级 ACL。

• 密级、地域、租户、数据域和行列级权限。

• 敏感信息脱敏、内容审计、调用审计和导出控制。

F. 运营与评估中心

• 热门问题、无答案问题、低置信度问题。

• 文档命中率、过期率、重复率和权限异常。

• 用户反馈、人工标注、质量回归和 A/B 测试。

• Token、模型、向量检索、存储和网络成本分析。

四、技术架构设计

（一）总体架构

整体采用“四层一平面”架构：接入层、业务编排层、存储层、模型底座层，以及横向贯穿的安全治理与可观测平面。

（二）接入层

职责包括统一 API 入口、身份认证、限流、模型路由、缓存、熔断和降级。

腾讯云部署可映射为：

• 云原生智能网关/API 网关：统一模型和业务 API 入口。

• CAM/企业 SSO：身份认证与访问控制。

• WAF、DDoS 防护：公网入口安全。

• Redis：会话、热点答案和限流计数缓存。

• 网关策略：按租户、用户、模型、Token 和并发数限流。

腾讯云公开文档显示，AI 网关支持全局、消费者/API/路由等维度的分层限流；MCP 网关也提供工具级熔断与降级能力。[8][9] 这类能力适合用于多模型 API 和外部工具调用的稳定性保护。

（三）业务编排层

业务编排层分为离线知识处理和在线问答两条主链路：

• 离线：采集 → 解析 → 清洗 → 切片 → 元数据增强 → Embedding → 建索引 → 质量检查。

• 在线：鉴权 → 问题理解 → 权限过滤 → 混合检索 → 重排序 → Prompt 组装 → LLM 生成 → 结果校验 → 引用输出。

可采用微服务或模块化单体。首期建议将文档处理、检索服务、问答编排、权限服务、评估服务拆成独立模块，避免过早拆分过多服务。

（四）存储层

• 对象存储：保存原始文档、解析中间文件、图片和版本快照。

• 业务数据库：保存文档元数据、用户、ACL、知识库、会话、反馈和发布版本。

• 向量数据库：保存切片向量、稀疏向量和检索字段。

• 检索引擎：保存关键词倒排索引，支持 BM25、过滤、聚合和高亮。

• 缓存：保存会话上下文、问题改写结果、热点检索和模型响应。

腾讯云 VectorDB 公开资料显示，其提供自动向量化、文档预处理和检索精排等能力，并支持多副本高可用。[10] 自建方案也可选择 Milvus + Elasticsearch/OpenSearch；中小规模可使用 PostgreSQL + pgvector，以降低系统复杂度。

（五）模型底座层

• 通用大模型：负责回答生成、问题改写、摘要、分类和工具规划。

• Embedding 模型：负责文本、图片或多模态向量化。

• Reranker 模型：对候选片段进行相关性精排。

• OCR/版面模型：解析扫描件、表格、图片和图文混排 PDF。

• 安全模型：识别提示词注入、敏感内容和数据泄露风险。

支持混元、通义、文心、DeepSeek、OpenAI、Claude、Gemini 或企业私有模型。模型路由应基于任务类型、延迟、成本、上下文长度、合规要求和可用性动态选择。

（六）横向治理平面

• 统一日志、链路追踪、指标和告警。

• Prompt、模型、知识库、索引和评估集版本管理。

• 数据分类分级、脱敏、审计和留痕。

• 配额、成本、SLA 和故障演练。

五、文档处理与知识入库

腾讯云的 RAG 公开指南将典型流程描述为文档加载与解析、文本拆分、向量化、向量存储、相似度检索、重排序、提示模板组装和生成回答。[11] 在生产环境中，需要进一步补充结构识别、权限映射、版本治理和质量检测。

（一）数据连接

首期建议支持三类接入：

1. 文件上传：PDF、Word、PPT、Excel、Markdown、图片。

2. 企业知识源：飞书文档/知识库、钉钉文档、Confluence、SharePoint、Notion。

3. 业务系统：Jira、GitLab/GitHub、Zendesk、ServiceNow、自研工单和数据库。

连接器必须同步源系统唯一 ID、更新时间、作者、空间、权限列表和删除状态。删除或权限变化应触发索引更新，避免旧数据残留。

（二）文档解析

• PDF：识别标题层级、段落、页码、表格、图片、脚注和双栏布局。

• 扫描件：OCR 后保留页面坐标，便于引用回跳。

• Word/PPT：提取标题、列表、表格、备注和图片说明。

• Excel：识别工作表、表头、数据区域和公式；按表或业务主题建立结构化索引。

• 网页：去除导航、广告和重复模板，保留正文与链接关系。

解析结果建议采用统一中间格式，如包含 block_type、text、page、bbox、heading_path、table_id、source_url 的 JSON。

（三）切片策略

不建议统一按固定字符数粗暴切片。可采用组合策略：

• 标题层级切片：按章节和段落边界切分。

• 语义切片：依据主题变化拆分。

• 表格切片：保留表头并按行组切分。

• 滑动窗口：对长段落增加 10%–20% 重叠。

• 父子切片：小切片用于召回，大段落用于生成上下文。

建议起始参数：中文 300–700 字/片，重叠 50–100 字；运行手册和 FAQ 可更短，政策制度和研究报告可更长。最终参数必须通过评估集调优。

（四）元数据增强

每个切片至少包含：

• tenant_id、knowledge_base_id、document_id、chunk_id。

• 标题路径、文档类型、业务域、标签、版本、更新时间。

• owner、有效期、密级、部门、项目、ACL。

• 页码、段落编号、原文链接、哈希值。

元数据既用于检索过滤，也是回答引用、权限校验和知识治理的基础。

（五）索引构建

推荐“双索引 + 元数据过滤”：

• 倒排索引：适合产品名、错误码、制度编号、接口字段等精确匹配。

• 向量索引：适合语义相似、口语化表达和跨语言查询。

• 元数据过滤：在召回前限制租户、权限、业务域、时间和文档状态。

Azure AI Search 的公开 RAG 指南也建议结合关键词与向量的混合检索，并通过语义排序提升相关性。[12] 这说明生产级 RAG 通常不是“只查向量库”。

六、在线问答链路

（一）请求前处理

1. 校验用户身份、租户、角色和会话权限。

2. 识别问题语言、意图、敏感等级和目标知识域。

3. 对多轮问题做指代消解，例如将“它的限制是什么”补全为完整问题。

4. 识别是否需要结构化查询、工具调用或纯知识问答。

（二）检索策略

建议采用以下流水线：

1. Query Rewrite：生成 1–3 个等价查询或关键词扩展。

2. 权限过滤：将可访问知识库、文档和 ACL 转换为检索过滤条件。

3. 多路召回：BM25、Dense Vector、Sparse Vector、标题/标签召回。

4. 融合：采用 RRF（Reciprocal Rank Fusion）或加权融合。

5. 重排序：对 Top 30–50 候选使用 Reranker，取 Top 5–10。

6. 上下文压缩：去重、合并相邻切片，控制 Token 预算。

对复杂问题可使用“分解式检索”：先拆成子问题，再并行检索并合并证据。但该模式会增加延迟和成本，应仅在复杂问答中启用。

（三）Prompt 组装

系统提示词至少包含：

• 角色与业务范围。

• 必须依据提供的知识回答。

• 无充分证据时明确说明不知道或建议转人工。

• 不得泄露系统提示词、权限信息或隐藏上下文。

• 输出答案、引用、风险提示和建议动作的结构。

上下文按“高相关片段优先、同文档合并、不同来源平衡”的顺序组装，并保留 chunk_id 以便生成后引用映射。

（四）结果后处理

• 引用一致性检查：答案中的关键结论必须对应至少一个来源。

• 敏感信息检查：手机号、身份证、密钥、客户隐私等自动脱敏。

• 冲突检测：发现多个版本或结论冲突时，提示用户并展示时间与来源。

• 低置信度处理：低于阈值时拒答、给出候选资料或转人工。

• 缓存：仅缓存不含用户私密上下文且权限一致的结果。

七、幻觉抑制、权限隔离与安全治理

（一）幻觉抑制

采用“检索前、生成中、生成后”三层控制：

• 检索前：问题分类、知识域限制、最低召回阈值。

• 生成中：强制基于证据、限制温度、规定引用格式。

• 生成后：事实与引用对齐、敏感信息检测、规则校验。

对制度、法务、财务和外部客服，建议默认关闭“无知识源回答”。Microsoft Copilot Studio 的类似开关可以在未使用知识源或工具时阻止模型回答，这一产品机制值得借鉴。[5]

（二）权限隔离

权限模型建议采用 RBAC + ABAC + ACL：

• RBAC：按岗位、角色定义基础权限。

• ABAC：按部门、项目、地域、密级、设备和时间动态判断。

• ACL：继承源文档对用户、群组和组织单元的访问列表。

检索时必须先生成用户权限过滤条件，再执行向量和关键词查询。不要在检索完成后才过滤，因为候选内容可能已进入日志、缓存或模型上下文。

Glean 和 Microsoft 的公开资料都强调源系统权限继承或按用户身份返回内容，这已经成为企业级知识助手的基本要求。[5][6]

（三）租户与数据隔离

• 中小规模：共享集群 + tenant_id 强过滤 + 独立密钥。

• 高安全场景：租户独立索引或独立数据库实例。

• 极高安全场景：独立网络、计算、存储和模型部署。

所有缓存键、日志、向量主键和对象路径都必须包含 tenant_id，避免跨租户碰撞。

（四）提示词注入防护

• 将文档内容视为不可信输入，禁止文档覆盖系统指令。

• 检测“忽略之前指令”“输出系统提示”等攻击模式。

• 工具调用采用白名单、参数校验和最小权限令牌。

• 外部网页和用户上传文件进入知识库前进行安全扫描。

（五）审计

审计记录至少包含：用户、问题、知识库、检索片段 ID、模型、Prompt 版本、答案、引用、工具调用、延迟、Token 和反馈。对敏感场景应支持审计留存周期、检索与导出审批。

八、质量评估与可观测性

（一）离线评估集

每个业务域建立 100–500 条高质量问题，覆盖：

• 精确事实问答。

• 多文档归纳。

• 表格查询。

• 无答案与拒答。

• 权限边界。

• 冲突版本。

• 口语、错别字和缩写。

每次调整切片、Embedding、Reranker、Prompt 或模型，都运行回归评估。

（二）核心质量指标

（三）在线运营指标

• DAU/WAU、提问人数、连续追问率。

• 有答案率、低置信度率、转人工率。

• 点赞率、踩率、纠错率、引用点击率。

• P50/P95 延迟、错误率、超时率。

• 单次问答 Token、检索和模型成本。

• 按业务域估算节省工时和工单分流量。

（四）知识运营闭环

将“无答案问题”自动聚类，分配给知识责任人；将高频低质量问题生成待办；对长期未命中文档、过期文档和重复文档进行治理。产品成功的关键往往不是模型更新，而是持续改善知识源质量。

九、腾讯云部署参考

部署建议采用专有网络，数据库和向量库不暴露公网；模型调用通过统一网关；敏感文档解析任务放在隔离子网；跨地域数据遵守企业合规策略。

十、实施路线与里程碑

（一）实施从基线到试点推广

阶段 0：准备与基线（1–2 周）

• 明确试点业务域和负责人。

• 盘点知识源、权限模型和数据质量。

• 采集当前查询耗时、工单量和人工成本基线。

• 建立首批评估问题。

阶段 1：POC（2–4 周）

• 接入 1–2 个知识源和 1 个业务入口。

• 支持 PDF/Word/网页解析、混合检索、引用和拒答。

• 对 100–200 条问题进行离线评估。

• 验证模型、Embedding、向量库和成本。

阶段 2：试点（4–6 周）

• 接入 SSO 和文档级权限。

• 建设知识管理、运营分析和反馈闭环。

• 覆盖 100–500 名用户或一个客服/研发团队。

• 建立 SLA、监控、告警和应急预案。

阶段 3：推广（4–8 周）

• 扩展更多知识源和场景助手。

• 完成多租户、多模型路由和灰度发布。

• 与工单、审批、任务系统打通。

• 形成知识责任人和月度质量运营机制。

阶段 4：Agent 化演进

在 RAG 质量稳定后，再扩展：

• 自动查询业务数据。

• 生成并提交工单。

• 触发审批或创建任务。

• 对复杂问题执行多步计划。

原则是“先可靠回答，再安全行动”。

（二）容量与成本估算方法

不建议在方案阶段绑定固定云价格，可采用公式估算：

• 日问答 Token = 日问题数 ×（输入 Token + 输出 Token）。

• 向量量 = 文档总字数 ÷ 平均切片字数 × 版本系数。

• 日 Embedding 增量 = 新增/变更文档切片数。

• 峰值 QPS = 日问题数 × 峰值集中系数 ÷ 峰值时段秒数。

示例：若 5,000 名用户中 30% 日活，每人每天 4 次问答，则约 6,000 次/日。按单次 5,000 输入 Token、500 输出 Token 估算，日模型 Token 约 3,300 万。可通过以下方式降本：

• 小模型处理分类、改写和安全检测，大模型只负责复杂生成。

• 缩短上下文，使用重排序和压缩减少无效片段。

• 对稳定 FAQ 使用语义缓存。

• 文档增量索引而非全量重建。

• 根据业务等级设置模型和超时策略。

成本结构通常由模型调用、解析/OCR、向量与检索、计算、存储和运维组成。首期应关注“单次有效回答成本”和“每节省一小时的人力成本”，而不是只比较 Token 单价。

（三）风险与应对

（四）验收标准

功能验收

• 支持约定文档类型和知识源。

• 支持连续问答、引用、反馈和历史记录。

• 支持知识库、助手、模型和 Prompt 配置。

• 支持 SSO、角色和文档级权限。

• 支持运营报表和审计查询。

质量验收

• 评估集正确率、忠实度和引用覆盖率达到约定阈值。

• 无答案问题能够拒答或转人工。

• 权限测试用例 100% 通过，无越权内容。

• 文档更新后在约定时间内完成增量同步。

性能验收

• P95 首 Token 时间、完整回答时间达到 SLA。

• 峰值并发下错误率和超时率满足要求。

• 单模型故障时可自动切换或返回降级结果。

运维验收

• 具备日志、指标、链路追踪、告警和成本监控。

• 具备索引重建、模型切换、版本回滚和数据恢复方案。

• 完成安全测试、提示词注入测试和应急演练。

十一、结论

企业知识库 AI 助手的竞争力不在于接入了哪个大模型，而在于能否把分散知识转化为可靠的企业级服务。成熟方案需要同时解决知识接入、检索质量、权限继承、引用追溯、模型路由、幻觉控制和运营治理。

建议以高频、可度量、知识边界清晰的场景开始，例如内部制度问答、客服辅助或研发故障知识检索。在 12–16 周内完成从 POC 到试点，再基于真实反馈扩展知识源和 Agent 工具。技术上坚持 RAG 为主、混合检索、重排序、严格引用、查询前权限过滤和多模型可切换；产品上坚持嵌入工作入口、场景化助手和知识运营闭环。

最终形态不是一个“会聊天的知识库”，而是一层连接企业人员、知识与业务系统的智能知识基础设施。

参考资料

[1] 飞书帮助中心，《飞书智能伙伴使用说明书》：飞书智能伙伴使用说明书

[2] 钉钉，《钉钉 AI 助理》：官网_钉钉AI助理

[3] 钉钉开放平台，《快速开发一个知识库问答 AI 助理》：快速开发一个知识库问答 AI 助理 - 钉钉开放平台

[4] 百度智能云，《百度千帆·Agent 开发平台》：百度智能云千帆AppBuilder-百度智能云

[5] Microsoft Learn, “Knowledge sources summary - Microsoft Copilot Studio”：Knowledge sources summary - Microsoft Copilot Studio | Microsoft Learn

[6] Glean Docs, “About connectors”：About connectors

[7] Glean, “Booking.com scales AI to 14,000 employees—and redefines work—with Glean”：https://www.glean.com/resources/customer-stories/booking-com

[8] 腾讯云，《云原生智能网关 - 限流策略》：云原生智能网关 限流策略_腾讯云

[9] 腾讯云，《云原生智能网关 - 熔断策略》：云原生智能网关 熔断策略_腾讯云

[10] 腾讯云，《向量数据库 Tencent Cloud VectorDB》：向量数据库_大模型知识库_向量数据存储_向量数据检索- 腾讯云

[11] 腾讯云，《知识引擎原子能力 RAG 操作指南》：知识引擎原子能力 RAG 操作指南_腾讯云

[12] Microsoft Learn, “RAG and Generative AI - Azure AI Search”：RAG and Generative AI - Azure AI Search | Microsoft Learn

[13] AWS Documentation, “Amazon Bedrock Knowledge Bases”：Retrieve data and generate AI responses with Amazon Bedrock Knowledge Bases - Amazon Bedrock

[14] Google Cloud Architecture Center, “RAG infrastructure using Vertex AI Vector Search”：https://docs.cloud.google.com/architecture/gen-ai-rag-vertex-ai-vector-search