搜索[知识库]结果-低调大师优秀个人博客

精选列表

搜索[知识库]，共2686篇文章

绕开 API/MCP，让电脑自己给知识库打标签：一个被"没有接口"逼停的项目，如何用"模拟人"重启

我在公众号上写过「尝试用 WorkBuddy 搭建 IMA 知识库标签系统」系列文章，核心目标是给一个有 10660 篇文档的行业知识库（线束知识库）设计一套自动标签体系。

2026-07-23

10 部环境法一夜废止之后：我把 1242 条《生态环境法典》做成了 AI 不会记错的知识库

第一，变动剧烈。 2026 年 8 月 15 日，《生态环境法典》施行，五编 1242 条；同一天，《环境保护法》《大气污染防治法》《水污染防治法》《固体废物污染环境防治法》《噪声污染防治法》等 10 部单行法律同时废止。过去几年形成的工作习惯——"超标排放查大气法第 99 条"——一个上午全部作废。

2026-09-24

跨页表格一旦被截断，RAG 就可能答非所问：文档解析这一步，才是知识库不胡说的前提

整份解析入口与分页参数，是保住表格结构、让知识库不胡说的前提。一、表格是文档里信息密度最高、也最容易碎的地方一份

2026-09-22

假设AI答案的引用受品牌实体在知识库中的完整性影响，哪些实体属性完整性变量是必需的？

生成式引擎（如ChatGPT、DeepSeek、Perplexity等）在生成答案时，其引用决策并非随机，而是高度依赖知识库中品牌实体的属性完整性。

2026-09-09

手把手教你掌握新一代AI工具：基于腾讯云混元大模型与LangChain构建企业级RAG知识库

2026年的AI工具早已不是“调个API、写个prompt”那么简单。企业级场景下，我们需要的是可编排、可溯源、可观测的智能系统。RAG（检索增强生成）作为当前最务实的落地范式，其技术栈已经演变为：

2026-08-15

WorkBuddy + IMA 双AI联动我搭了一套能持续进化的个人知识库不是"存起来"，是让它越用越聪明

市面上教你“怎么搭建知识库”的文章很多。但这篇文章不太一样——我不是要告诉你用哪个笔记软件、怎么建文件夹，而是讲一个更底层的问题：

2026-07-22

qKnow 智能体构建平台专业版 v3.1.1 发布：知识库问答对支持多格式导出与提示词自定义

如果知识库无法有效消化这些数据，智能体就失去了理解业务系统运行状态的重要信息来源。

2026-07-16

保姆级教程：用 AI 智能体搭一条「飞书机器人 ↔ 本地 RAGFlow 知识库」问答链路（全流程 + 踩坑实录）

机器人回复「正在检索知识库…」，2~4 秒后返回带条文依据的回答。出差在外用手机也能查放在家里/公司电脑里的规范和文档。

2026-09-21

《从知识库到本体驱动应用》第2招知识资产化 LLM-knowledgeBase——RAG 之前，先解决“什么才是机器真正能使用的知识”

因为从第一天起，我们就把知识库做成了文档切片加相似度搜索，而不是一套知识工程。

2026-09-01

《从知识库到本体驱动应用》第3招企业架构 Enterprise Architecture——AI 如果只理解局部文档，就永远看不到企业全貌

手机厂老板问CIO：“海外订单交付老是延期，你打算改哪个系统？”如果只回答改CRM或改MES，这事基本就黄了。我是老李，最近在一家手机制造企业做架构梳理，发现真正的问题不是缺系统，而是战略到技术中间断了。今天借LTC这条线，把TOGAF怎么落地一次讲透。

2026-09-01

"我给知识库找了个 AI 管理员——结构工程师用 WorkBuddy 搭建 Obsidian 第二大脑的实战指南"

这篇文章记录我怎么用腾讯的 WorkBuddy 给自己的 Obsidian 知识库配了一个会思考、能干活、还记得住事的 AI 管理员——不是概念科普，是我真刀真枪搭出来、跑起来的那一套。

2026-07-22

《从知识库到本体驱动应用》第11招双向工程闭环 Forward + Reverse——正向生成和逆向理解最终会在“业务语义 ↔ 技术实现”这里汇合

我是老李。最近把九个仓库并排放在一起做复盘，本来只是想清理重复代码，结果越看越发现，单独看每个仓库都只是工具，合在一起才出现了一条非常清晰的价值链：资料到知识、知识到模型、模型到应用、存量系统到模型、架构资产到可视化系统，最后进入自动化交付。这五条关系比任何一个仓库都重要。

2026-09-01

《从知识库到本体驱动应用》第1招项目总线 Knowledge → Ontology → Application——九个项目其实是在验证一条 AI 原生企业软件

企业里最不缺少的就是文档。战略汇报、流程手册、接口说明、数据库字典、历史代码……每一份都写得清清楚楚。可大模型进来以后，你问它“为什么这个季度华东区毛利率下降了”，它只能复述某份 PPT 里的结论，却说不清是哪个产品线、哪段代码逻辑、哪条业务规则在起作用。为什么？因为企业知识从来不在某一个数据库里躺着。我是老李，今天不聊又开源了几个项目，只聊一件事：大模型要真正理解一家公司，到底需要跨过哪几道坎。

2026-09-01

《从知识库到本体驱动应用》第4招本体模型 Onto-Model——把业务架构从 PPT 变成机器可以读取、程序可以校验的语义资产

我是老李。最近在一家制造企业做订单域梳理，架构图看起来很漂亮：订单中心、客户中心、合同系统、ERP、CRM 之间连线清楚，每条线都标了调用方向。但一落到字段和规则，问题就来了。同一个“客户”，CRM 里叫 customer_id，合同系统里叫 party_id，订单中心又存了客户名称和税号；客户地址在四个文件里重复出现，改了一处，其他三处还是旧值。更要命的是，订单审批规则里写着“订单金额必须大于 0”，合同系统里又写着“订单金额不能小于 0”，两个规则表面没冲突，到了边界值却会打架。

2026-09-01

《从知识库到本体驱动应用》第6招存量系统逆向 Codebase Reverse——新系统可以从业务生成代码，老系统则要从代码重新找回业务

很多企业系统不是从零开始，而是运行了五年、十年甚至更久。你可能遇到过这种情况：一个“订单取消”按钮，用户点了没反应，开发排查半天，发现逻辑散落在页面、Controller、Service、Mapper、数据库字段和一个很久没人改过的规则判断里。我是老李，过去几年一直在和企业遗留系统打交道。文档缺失、关键人员离职、测试覆盖不全，几乎是常态。

2026-09-01

——从知识库问答到 Agentic RAG

上一篇介绍 Structured Output 时，我们解决了一个问题：模型生成的结果，怎样可靠地交给程序处理。但真正开发 Agent 时，还会遇到另一个更基础的问题：

2026-08-16

《从知识库到本体驱动应用》第5招本体驱动开发 Ontology-driven Development——AI Coding 不能从一句需求直接跳到代码，中间应

我是老李，这几年带团队用生成式 AI 做业务系统，最大的感受不是“生成得太慢”，而是“生成得太快，快到来不及发现它悄悄变了意思”。去年我们做一个合同管理系统，一开始很顺：对着对话框说“帮我生成一个合同管理系统”，几分钟后数据库脚本、接口、页面骨架全出来了。可越往后越不对劲。销售同事说“合同金额”在前端叫“合同金额”，导出报表时字段名变成 total_amount；审批流里“法务审核”和“财务复核”的触发条件经常串；权限配置里“合同归档”按钮有时出现在销售角色下，有时又不见了。最麻烦的是，这些问题不是一次性的，每重新生成一版，不一致的地方就换一批。后来我们才意识到，这不是指令写得不够细，而是系统里缺少一个把业务语义固定下来的东西。AI 生成代码时，模型会根据概率选择表达方式，同一个业务概念在不同位置可能被翻译成不同名字、不同类型、不同约束，这就是语义漂移。它不像语法错误那样直接报错，而是像慢性病，等你发现时，数据库、接口、页面、流程已经各说各话。

2026-09-01

《从知识库到本体驱动应用》第10招应用自动生成 WorkBuddy-AppBuilderSkill——当需求和本体足够结构化，AI 才真正有机会从 Codin

我是老李。前段时间一个做贸易的朋友扔给我一个需求：做一个能管库存、订单、供应商的轻应用，最好能离线查一下历史价格。我第一反应是用生成模型直接产出代码。结果呢？出来的东西是一堆散装接口和表单，字段对不上，业务规则藏在一堆 if-else 里，改一处崩三处。更麻烦的是，它生成的时候根本不跟你确认“你说的库存”到底是指可用库存还是账面库存，也不区分供应商是一次性还是长期。于是你只能在代码里猜。

2026-09-01

技术专访｜GEO高级优化师、落地工程师、AIGC应用工程师罗长才：从历史决策偏差看大模型知识库的心智约束工程

记者：罗工，在GEO与AIGC知识库落地项目中，大量问题并非来自算法参数，而是来自主体心智、欲望扰动、情绪偏见带来的决策失真。

2026-10-16

《从知识库到本体驱动应用》第12招角色与应用地图 Who Should Use It——不是所有人都需要从同一个项目开始

最近很多团队导入一套面向制造业的知识体系，仓库一打开就是九个项目。很多人习惯从第一个开始往下啃，两周后卡在第二个仓库，然后不了了之。我是老李，做过多年企业架构和制造现场改造，见过太多类似场景。问题不是资料不好，而是入口错了。同一条技术路线，对不同角色价值并不一样，学习顺序也不该一样。今天聊聊怎么按自己的位置进入这套体系，而不是把九个仓库当成九本必须读完的书。

2026-09-01

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。

精选列表

绕开 API/MCP，让电脑自己给知识库打标签：一个被"没有接口"逼停的项目，如何用"模拟人"重启

10 部环境法一夜废止之后：我把 1242 条《生态环境法典》做成了 AI 不会记错的知识库

跨页表格一旦被截断，RAG 就可能答非所问：文档解析这一步，才是知识库不胡说的前提

假设AI答案的引用受品牌实体在知识库中的完整性影响，哪些实体属性完整性变量是必需的？

手把手教你掌握新一代AI工具：基于腾讯云混元大模型与LangChain构建企业级RAG知识库

WorkBuddy + IMA 双AI联动 我搭了一套能持续进化的个人知识库 不是"存起来"，是让它越用越聪明

qKnow 智能体构建平台专业版 v3.1.1 发布：知识库问答对支持多格式导出与提示词自定义

保姆级教程：用 AI 智能体搭一条「飞书机器人 ↔ 本地 RAGFlow 知识库」问答链路（全流程 + 踩坑实录）

《从知识库到本体驱动应用》第2招 知识资产化 LLM-knowledgeBase——RAG 之前，先解决“什么才是机器真正能使用的知识”

《从知识库到本体驱动应用》第3招 企业架构 Enterprise Architecture——AI 如果只理解局部文档，就永远看不到企业全貌

"我给知识库找了个 AI 管理员——结构工程师用 WorkBuddy 搭建 Obsidian 第二大脑的实战指南"

《从知识库到本体驱动应用》第11招 双向工程闭环 Forward + Reverse——正向生成和逆向理解最终会在“业务语义 ↔ 技术实现”这里汇合

《从知识库到本体驱动应用》第1招 项目总线 Knowledge → Ontology → Application——九个项目其实是在验证一条 AI 原生企业软件

《从知识库到本体驱动应用》第4招 本体模型 Onto-Model——把业务架构从 PPT 变成机器可以读取、程序可以校验的语义资产

《从知识库到本体驱动应用》第6招 存量系统逆向 Codebase Reverse——新系统可以从业务生成代码，老系统则要从代码重新找回业务

——从知识库问答到 Agentic RAG

《从知识库到本体驱动应用》第5招 本体驱动开发 Ontology-driven Development——AI Coding 不能从一句需求直接跳到代码，中间应

《从知识库到本体驱动应用》第10招 应用自动生成 WorkBuddy-AppBuilderSkill——当需求和本体足够结构化，AI 才真正有机会从 Codin

技术专访｜GEO高级优化师、落地工程师、AIGC应用工程师罗长才：从历史决策偏差看大模型知识库的心智约束工程

《从知识库到本体驱动应用》第12招 角色与应用地图 Who Should Use It——不是所有人都需要从同一个项目开始

资源下载

Mario

Nacos

Sublime Text

WebStorm

欢迎您来访！

WorkBuddy + IMA 双AI联动我搭了一套能持续进化的个人知识库不是"存起来"，是让它越用越聪明

《从知识库到本体驱动应用》第2招知识资产化 LLM-knowledgeBase——RAG 之前，先解决“什么才是机器真正能使用的知识”

《从知识库到本体驱动应用》第3招企业架构 Enterprise Architecture——AI 如果只理解局部文档，就永远看不到企业全貌

《从知识库到本体驱动应用》第11招双向工程闭环 Forward + Reverse——正向生成和逆向理解最终会在“业务语义 ↔ 技术实现”这里汇合

《从知识库到本体驱动应用》第1招项目总线 Knowledge → Ontology → Application——九个项目其实是在验证一条 AI 原生企业软件

《从知识库到本体驱动应用》第4招本体模型 Onto-Model——把业务架构从 PPT 变成机器可以读取、程序可以校验的语义资产

《从知识库到本体驱动应用》第6招存量系统逆向 Codebase Reverse——新系统可以从业务生成代码，老系统则要从代码重新找回业务

《从知识库到本体驱动应用》第5招本体驱动开发 Ontology-driven Development——AI Coding 不能从一句需求直接跳到代码，中间应

《从知识库到本体驱动应用》第10招应用自动生成 WorkBuddy-AppBuilderSkill——当需求和本体足够结构化，AI 才真正有机会从 Codin

《从知识库到本体驱动应用》第12招角色与应用地图 Who Should Use It——不是所有人都需要从同一个项目开始