---
name: kunlun-kb-build
version: 1.1.0
displayName: 知识库搭建
tagline: 从文档盘点到问答可用的企业知识库搭建与持续运营
description: 知识库搭建：文档盘点分级、清洗结构化、按类型定切分粒度、元数据先行、检索验证、权限设计与持续运营。含四象限分级、30 题验证法、 stale 率阈值与召回验收标准，覆盖企业知识库与 RAG 知识体
categoryIds: [17003]
tags: [知识库搭建, 企业知识库, RAG, 知识管理, 文档治理]
license: proprietary
billing: free
---

# 知识库搭建

> 知识库做不成的根本原因，八成不在模型，而在**文档本身就是不可用的**：同一份制度三个版本散在四个目录、扫描件没有文字层、一份 80 页的 PDF 里所有内容都算"相关"。
> 本技能给的是一套能落地的工程口径：文档怎么分级、切多细、元数据记什么、怎么验证检索效果、多久复盘一次。

## 一、这个技能解决什么（定位 + 人群）

- **谁用**：企业知识库负责人、内部搜索/问答产品负责人、需要把散乱文档变成可检索资产的行政与研发、做 RAG 的工程师。
- **典型场景**：文档存了一大堆但搜不到；问答经常答非所问；新文档进库后老问题答不上来；不知道该切多大粒度；不同部门权限怎么分说不清；上线三个月后没人维护。
- **本技能不做什么**：不接入任何向量库、大模型或对象存储账号；不替你做保密分级与合规审批；不处理受监管行业的法定归档要求。

## 二、能力地图（6 个能力）

| 能力 | 触发词 | 输入 | 输出 |
|---|---|---|---|
| 文档盘点 | 盘一下/有多少文档 | 目录或导出清单 | 文档清单 + 分级结论 |
| 清洗结构化 | 扫描件/格式乱/去水印 | 原始文件 | 可用文档集 + 问题清单 |
| 切分与索引 | 怎么切/建索引 | 文档类型 + 用途 | 切分方案 + 元数据方案 |
| 检索验证 | 搜不到/答非所问 | 一批真实问题 | 召回评估 + 调整项 |
| 权限设计 | 谁能看/分几级 | 组织与密级 | 权限矩阵 |
| 持续运营 | 多久更新/stale | 库 + 使用数据 | 运营节奏 + 淘汰规则 |

## 三、文档盘点：先分级，再谈技术

四象限分级标准：

| 分级 | 判定 | 入库要求 | 更新频率 |
|---|---|---|---|
| A 常查类 | 制度、SOP、产品手册、FAQ | 必须结构完整、有版本号 | 变更即更新 |
| B 参考类 | 白皮书、行业报告、历史方案 | 保留来源与日期 | 半年复盘 |
| C 过程类 | 会议纪要、周报、项目文档 | 只留结论页，过程页外挂 | 季度归档 |
| D 噪声类 | 个人笔记、重复转发、无归属文件 | 不入库 | 直接淘汰 |

**淘汰判据（满足任一即不入库）**：无责任部门；无版本号且无法确认生效状态；内容已被更高版本覆盖；纯扫描件且无 OCR 计划。

## 四、清洗结构化：三类文档三种处理

| 文档类型 | 主要问题 | 处理 |
|---|---|---|
| 扫描件 / 图片 PDF | 无文字层 | 先 OCR，验收标准是文字层可全选复制 |
| 长 PDF（>20 页） | 主题混杂 | 按章节拆分，一档一档入库 |
| Word / Markdown | 样式与正文混排 | 去页眉页脚与目录，只保留正文与表格 |

**清洗验收四条**：无水印压字、无跨页断句错误、表格能识别成表而非连续文本、PDF 内嵌文件数量不为 0（防止附件丢失）。

## 五、切分与索引：按文档类型定粒度

| 文档类型 | 块大小 | 重叠 | 依据 |
|---|---|---|---|
| 制度 / SOP | 500-800 字 | 100 字 | 条款需完整，不能切断 |
| 产品手册 | 300-500 字 | 80 字 | 按功能点自成单元 |
| 报告 / 论文 | 800-1200 字 | 150 字 | 允许跨章节，保留图表说明 |
| 会议纪要 | 一条一档 | 0 | 独立问答单元 |
| 表格 | 整表入库 | — | 切分会破坏列关系 |

**元数据先行**：每个块至少带四个字段——来源文档、版本号、部门、日期。检索效果不好时，先查这四个字段有没有缺，再调模型。

**常见错误**：把整本手册当一个块（检索不到细节）；把一份文件的所有块都打同一个部门标签（过滤失效）；把表格切碎（列关系丢失，答案算不对数）。

## 六、检索验证：用 30 道真实题验收

不要用手感判断检索好不好，用这套：

1. 从真实对话里捞 30 个高频问题（不要自己编）。
2. 人工给出每题的**标准答案出处**（哪份文档哪个章节）。
3. 跑检索，看命中出处是否一致。
4. 计算三个指标：

| 指标 | 算法 | 达标线 |
|---|---|---|
| 出处命中率 | 命中正确文档 / 30 | ≥80% |
| 排序质量 | 正确出处排前 3 / 30 | ≥90% |
| 可答率 | 能定位到可回答片段 / 30 | ≥70% |

不达标时的处理顺序（按此顺序排查，不要跳步）：
- 出处命中率低 → 文档分级或清洗有问题（回到第三节、第四节）
- 排序质量低 → 元数据或切分粒度有问题
- 可答率低 → 才有必要调检索策略或换模型

## 七、权限设计

| 密级 | 可见范围 | 入库形态 |
|---|---|---|
| 公开 | 全员 | 正常入库 |
| 内部 | 全员可查，需申请获取完整版 | 摘要入库，全文另存 |
| 保密 | 指定部门 | 带访问标签的独立分区 |
| 机密 | 指定个人 | 不入公共库，走审批通道 |

**三条铁律**：权限在文档级而非目录级（目录权限会因移动而错乱）；检索结果过滤要和文档级权限同一套判断；删除权限不等于删除索引（合规要求保留时，正确处理是"不可见"而非"物理删"）。

## 八、持续运营：把库管住

| 指标 | 阈值 | 动作 |
|---|---|---|
| 陈旧率（超期未更新） | >20% | 触发全库复盘 |
| 零命中率（近 30 天无结果） | >15% | 清理噪声文档 |
| 高频无答案问题 | 周内 ≥5 次 | 补文档，别调参数 |
| 文档新增量 | 每周 <5 份 | 检查采集链路是否断了 |

**更新机制**：A 类文档指定责任人，变更即更新；入库前要求带版本号；每季度跑一次陈旧率报告，把超期的挂给原部门。

## 九、常见错误

- **先把工具选好再想内容**：选型能晚定，分级和清洗不能晚做。
- **追求全文入库**：把噪声一起喂进去，检索准确率只会更差。
- **用自己编的问题做验收**：必须用真实用户问过的问题。
- **只建不养**：上线后无人维护，半年变成第二个文档垃圾场。