知识库

【知识库】专题面向 AI Coding 场景，给出一套可审计的企业级知识库建设方案：以「生成 → 验证 → 审核 → 存储 → 检索 → 维护 → 评测 → 约束」的知识生命周期为主线，每个环节都落到可执行的字段、脚本、门禁与度量口径上，并对每一项设计决策标注依据性质（直接依据 / 方向性依据 / 工程推导 / 自拟）与度量性质（机制保证 / 阈值待实测 / 趋势指标）。核心取舍是治理控制面自建、检索索引层复用成熟组件，以及索引不备份只重建、审计日志不可重建故 RPO 趋近 0。

📖 内容

总览蓝图

• 面向 AI Coding 的企业级知识库可审计决策方案 —— 全景蓝图。§1 生命周期全景 · §2 知识生成 · §3 知识验证 · §4 知识审核 · §5 知识存储 · §6 检索与引用 · §7 维护治理 · §8 评测反馈 · §9 约束执行 · §10 度量与落地路径 · 附录（P0–P3 建设清单、引用与度量纪律）。

分环节落地方案

#	环节	文档	对应蓝图	解决什么问题
01	知识生成	01-知识生成-落地方案	§2	知识从哪里来？怎么产生？产生什么格式？
02	知识验证	02-知识验证-落地方案	§3	提交后、人工审核前，经过哪些自动化质量门控？
03	知识审核	03-知识审核-落地方案	§4	通过 AI 审核的草稿，经过怎样的人工评审才能变为正式知识？
04	知识存储	04-知识存储-落地方案	§5	审核通过的知识如何结构化存储、切分、索引？
05	知识检索与引用	05-知识检索与引用-落地方案	§6	Agent 如何找到并使用知识？如何保证输出可信？
06	知识维护与治理	06-知识维护与治理-落地方案	§7	知识入库后如何保持新鲜、一致、无冗余？
07	评测与反馈闭环	07-评测与反馈闭环-落地方案	§8	如何度量知识体系的效果？如何从失败中持续改进？
08	约束执行	08-约束执行-落地方案	§9	如何确保 AI 在知识约束范围内行动？
09	度量评价与落地	09-度量评价与落地路径-落地方案	§10	整体如何分阶段建设？如何度量成熟度？如何组织人力与保障非功能？

阅读顺序建议

1. 只想知道方案长什么样 → 读 知识库.md §1 全景与生命周期。
2. 要落地某一个环节 → 直接读对应的 0N-*-落地方案.md，每篇自带「定位与边界 / 核心设计决策 / 实施步骤 / 度量 / 待确认决策汇总」。
3. 要排建设顺序与人力 → 读 09-度量评价与落地路径，它给出 L0–L5 成熟度模型、C0a–C3 冷启动路径、P0–P3 建设清单与成本模型。
4. 要做技术选型 → 读 04 §5（切分、Embedding、向量存储、双索引蓝绿）与 09 §2.6.7（自建 vs 云托管 vs 开源平台的取舍判据）。
5. 要过安全评审 → 读 05 §9（检索前密级过滤、Chunk 级 ACL、OWASP 14 类威胁映射、审计）与 09 §2.1（安全属于 L0 而非最后阶段）。

跨文档约定

• 编号体系：9 篇落地方案各自独立编号，不复用蓝图的 §号。互引写作 04 §3.5，引蓝图写作 蓝图 §10.2。
• 字段字典：所有跨文档引用的 frontmatter / 索引字段，唯一登记处是 04 §3.7。未登记字段一律由 CI 判 Error。
• 待确认决策：每篇文末的「待确认决策汇总」是决策项的唯一权威来源，汇总入口见 09 §6.2（LD1–LD11 跨文档决策）。其中 LD1 / LD4 / LD7 / LD8 与 04 S1.6 须在 P0 启动前决策且不可逆。
• 度量口径：只有性质为「机制保证」的指标可在 P0 直接作硬门禁；「阈值待实测」的指标在校准完成前只观测、不阻断（见 09 §2.7）。

📚 资料

• 检索与切分
  • Anthropic · Contextual Retrieval —— 上下文前缀切分的原始出处（Top-20 检索失败率 −35%，叠加 Embedding 改写 −49%，再叠加 reranking −67%）。
  • Anthropic · Effective context engineering for AI agents
  • Cormack et al., Reciprocal Rank Fusion outperforms Condorcet and individual Rank Learning Methods (SIGIR 2009) —— RRF 原始论文，k = 60。
  • Elasticsearch · Reciprocal rank fusion
  • Azure AI Search · Hybrid search ranking
• 安全与治理
  • OWASP · RAG Security Cheat Sheet —— 14 个章节，本方案的威胁映射基线。
  • NIST AI RMF 1.0 · NIST SSDF (SP 800-218) · NIST AI RMF Playbooks
  • SLSA Provenance v1.2
• 评测与度量
  • DORA Metrics 官方指南 —— 五个指标口径，注意没有「回滚率」。
  • Ragas · Evaluation Dataset · TruLens · RAG Triad
  • Azure AI Foundry · RAG Evaluators · Google Vertex AI · Rubric-based metrics
• 工程设施
  • Model Context Protocol Specification —— Agent 主接口的契约定义。
  • Qoder Hooks（扩展形态） · Qoder Hooks（CLI 形态） —— 两种形态的事件集合与类型支持并不相同。
  • git worktree · .gitattributes
  • Backstage · Software Catalog Descriptor Format —— 原生仅 9 种 Kind，自定义 Kind 有插件兼容性成本。
• 向量与索引存储
  • pgvector · Milvus · Qdrant · Elasticsearch Hybrid Search
• 云托管 RAG 服务（选型对照）
  • AWS Bedrock Knowledge Bases · Google Vertex AI RAG Engine · Azure AI Search
• 开源框架（选型对照）
  • LlamaIndex · Haystack · Semgrep · Writing Rules

🚪 传送

◾ 💧 钝悟的 IT 知识图谱 ◾ 🎯 钝悟的博客 ◾