https://www.douyin.com/video/7695709695742668352阅读路径:这条讲知识库最容易犯的错:把信息当知识。第一组用「试用期能不能退款」讲清区别;第二组讲原始数据的正确位置(source of truth)。对正在建 kb 的你,这条几乎是直接指导。
一句话结论:信息是「发生过什么的记录」,知识是「能指导行动的规则」;聊天记录、会议纪要、文档都不自动是知识,必须再做一步知识生产,把它变成可执行的判断规则。
老板导出销售与客户的聊天记录、存进知识库,认为这就是私有数据资产。
客户问「试用期能不能退款」,AI 面对几十万行聊天记录,根本不知道该怎么回答——因为里面既有能退的案例,也有不能退的。
把场景拆成规则,做成决策树:渠道 A 购买的试用期可退,渠道 B 不行。这样它才变成能指导行动的知识。
知识库的失败很少是「数据不够多」,而是「没有从数据里生产出规则」。存得越多,检索越乱。
你的 kb 目前是「信息层很强、知识层偏弱」:原文、精读、深蒸馏都在,但「遇到某个情况该怎么判」的规则很少。补法:每个主题末尾加三条「如果…就…」的判据。
作为上下文、作为 source of truth、作为追溯与验证的源头。当某条知识被质疑时,回原始数据核对。
原始层(不可改)+ 知识层(可迭代)+ 检索层(按需查)。三层混在一起,就会出现「检索一堆原文、答不出一句话」。
他不是否定存原始数据,而是否定「存了就等于有了知识」。分层是让两者各归其位。
你的三层其实已经有:raw/(原始)、md/(知识)、飞书(阅读)。缺的是「检索层」——现在找东西靠翻。到 10 个主题时,用 rg 建一个本地检索入口就够。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 信息≠知识 | 精读多、规则少 | 每主题补三条「如果…就…」 |
| 知识生产 | 只做整理不做提炼 | 每篇末尾写可执行判据 |
| 原始层不可改 | raw/ 已在 | 写进 STANDARD 一句话 |
| 三层分离 | 缺检索层 | 主题过 10 个上 rg 入口 |
原文:VA7《AI时代企业知识库搭建经验》,2026-10-12,6.9 分钟。
本篇依据:全程转写约 2.5 千字。聊天记录案例、决策树(渠道 A/B)、原始数据三个用途均为原文表述;三层分离是按原文归纳的。
更正与边界:这是经验分享,没有给出知识生产的工作量与失败率;决策树例子是简化演示。
定位:中文深蒸馏,不是逐字摘要。标「对你的实际应用」的部分是我的分析。