知识库不是文档仓库,而是 Agent 的上下文底座

AI 应用的上限,很多时候不取决于模型有多强,而取决于它能拿到什么样的知识。知识如果散、旧、边界不清,Agent 再聪明也只能猜。

导语

过去两年,企业内部出现了大量 AI 工具:Agent、工作流、问答助手、研发辅助平台、运维排查系统。模型能力越来越强,工具接入也越来越完整。

但用得越多,越容易看到一个共性问题:真正限制 AI 应用效果的,常常不是模型,而是上下文。

如果业务知识只存在于几个人脑子里,如果文档散在不同系统里,如果口径互相冲突,如果一篇文档过了三个月就没人知道还能不能信,那么再强的 Agent 接进来,也只能在不完整信息里猜。

反过来,一旦知识本身结构清晰、边界明确、来源可查、状态可判断,Agent 才能稳定消费它。上层应用无论是问答、排查、代码生成,还是需求到实现的协作链路,都有了可靠底座。

所以,AI 时代建设知识库,不只是“把文档整理好”。更准确地说,是把业务知识和代码知识沉淀成一套人能读、Agent 能用、系统能持续更新的知识基础设施。

图:散落文档需要先变成可路由、可复核的上下文资产

知识库的目标不是存档,而是可消费

一个面向 AI 的知识库,至少要完成三件事。

第一,沉淀业务和代码知识。

它不只记录业务背景,还要记录核心概念、主流程、指标口径、边界、FAQ、排查抓手和经验沉淀。更重要的是,它要建立从业务问题到代码入口、模块、仓库、接口和链路的映射。这样人和 Agent 才能从一个真实问题定位到实现位置。

第二,面向不同平台和系统消费。

知识库不应该被锁死在某个专有工具里。它可以同步到在线文档,也可以放进 Git 仓库、静态托管、打包分发、被 Agent 检索。关键是知识本身要有开放格式,而不是先绑定平台,再把内容塞进去。

第三,支撑持续演进。

知识库不是一次性文档工程。业务会变,代码会变,指标口径会变,排查经验也会更新。知识库必须支持新增、补全、修订、拆分、合并、归档和复核。

目标
关键问题
沉淀知识
业务、代码、指标、边界和经验是否被结构化记录
可被消费
人、Agent、工具链是否都能稳定读取
持续演进
内容是否能随系统变化更新,而不是变成历史快照

三条设计原则:可读、可更新、可消费

参考 Google OKF,也就是 Open Knowledge Format 的思路,再结合工程实践,可以把知识库设计原则收敛成三个词:可读、可更新、可消费。

可读:人和 Agent 都要准确地读

传统文档更关注人的阅读体验,允许大量自由叙事。但 Agent 需要更稳定的结构。标题分级、列表、表格、状态字段、来源字段、交叉链接,都不是形式主义,而是为了让机器能准确解析。

可读也不只是“看得懂”,还包括“找得到”。如果每次回答问题都要全库扫描,token 和算力都会被浪费,结果也不稳定。

因此,知识库需要一个轻量路由层。它负责识别业务域、主题归属、父子 wiki 关系,以及业务知识和代码知识之间的映射。检索应该先经过路由,再命中具体知识,而不是直接把所有内容丢给模型。

可更新:每份 wiki 都是活资产

知识库最怕变成“建成即过期”的文档墓地。

每份 wiki 都应该被视为可演进资产。它需要有状态,需要能被复核,需要能被拆分和合并,也需要在废弃后保留历史参考。

这要求知识库在结构上支持生命周期,而不是只靠人工记忆维护。

可消费:开放格式优先,还要标清可信度

AI 消费知识时,一个危险点是把所有内容都当成同等可信。

人读文档时,会凭经验判断哪些段落可能过时,哪些只是临时结论,哪些是明确事实。Agent 没有这种组织记忆,必须靠显式标注。

所以知识库不能只记录确定结论,也要记录不覆盖范围、相邻 wiki 边界、待确认事项、低证据等级内容、易变事实的时间窗。

这类信息对人是提醒,对 Agent 是安全边界。

三层结构:领域目录、路由文件、知识文件

一个可维护的知识库,不应该只有一堆散落的 Markdown。更稳妥的结构是三层:

图:全局目录、领域路由和具体 wiki 共同构成 Agent 的导航层

三类文件各有职责:

文件
职责
回答的问题
global-business-map.md
全局领域目录
有哪些业务领域,各领域仓库在哪里,当前是否可用
topic-map.md
业务路由索引
这个领域有哪些主题,主题之间是什么关系,哪些 wiki 处于什么状态
xxx.md
具体知识 wiki
某个主题的背景、边界、概念、流程、指标、FAQ、排查抓手和代码连接点

其中 topic-map.md 很关键。它不是目录美化,而是 Agent 的导航层。没有它,Agent 很容易在大量文档里全局搜索,召回一堆相关但不…

— 以上为试看内容(约 40%),开通会员后阅读全文 —