知识库搭建通用方法论

知识库搭建通用方法论——从个人经验到AI可用知识

> 编制：万有AI产品团队 | 依据AHUB智慧运营中心实战萃取

> 所属阶段：Phase 1 知识基建（恋爱阶段）

> 核心问题：AI原生企业的知识怎么整理？怎么切割？怎么向量化？怎么存？怎么让Agent查得到、查得准？

> 实战底座：AHUB 5种数据库（PostgreSQL/Redis/Neo4j/Milvus/SQLite）、13个Schema、8个知识库、7082张知识卡片、BGE-M3向量化、双层三库存储、8步注入管道

> 一句话：知识库不是"存数据的地方"，是"AI的第二个大脑"——从散乱知识到AI可检索、可推理、可溯源的完整链路

一、为什么AI原生企业需要专门的知识库方法论？

1.1 传统知识管理 vs AI原生知识库

1.2 不建知识库的后果

1.3 AHUB的实战验证

散乱知识 → 知识整理 → 数据清洗 → 源文档存档 → 分类路由 → 切割决策 → 向量化 → 8步注入 → 双层三库存储 → 知识图谱 → 检索策略 → AI输出
  ①         ②           ③           ④           ⑤          ⑥          ⑦        ⑧         ⑨           ⑩          ⑪         ⑫

我们公司用这套流程把120份源文档、7082张知识卡片变成了AI可检索、可推理、可溯源的知识库。

思想源流：从知识工程到AI可用知识

知识库搭建方法论是四股源的汇流：

• 知识工程传统：从DIKW金字塔（数据→信息→知识→智慧）到知识图谱，"把经验结构化"已有数十年积累。本方法论把这套学术传统翻译成创业者的操作手册。
• RAG技术浪潮：检索增强生成让"企业私有知识"成为AI回答的原料，但RAG只解决"怎么查"，不解决"怎么建"——本方法论补的正是建库段的十大步骤。
• 创始人知识整理实践：纵横深透框架（第一步的核心工具）源于近三十年个人知识管理的实操萃取，先整理人脑、再喂养AI。
• AHUB踩坑实录：双层三库存储、8步注入管道、严肃性三级标注，每一条都对应一次真实的返工——常见误区与错误清单就是踩坑记录的正面表达。

一句话：知识库的本质，是把创业者脑子里的隐性经验变成AI可调用的显性资产。

二、知识库搭建十大步骤

第一步：知识整理——用纵横深透框架构建知识地图

核心：以纵横深透模型为框架，收集、整理所有相关资料，形成全面、系统、深度的原始素材库。

> 万有AI核心理念：纵横深透模型是分析一切问题的核心工具。知识整理用它作为框架，才能做到全面（纵轴六层）、系统（横轴七层）、深度（时间轴+显隐性规则）。

纵横深透模型（四维分析框架）

按纵横深透框架整理个人经历

按纵横深透框架整理行业资料

目录结构（按纵横深透框架组织）

knowledge/
├── 纵横分析/                      # 纵横深透模型框架
│   ├── 纵轴六层/                  # 生存层级分析
│   │   ├── 体力时间层/
│   │   ├── 能力层/
│   │   ├── 资源层/
│   │   ├── 资本层/
│   │   ├── 国家层/
│   │   └── 国际层/
│   ├── 横轴七层/                  # 精准定位分析
│   │   ├── PEST分析/
│   │   ├── 五产分类/
│   │   ├── 行业分析/
│   │   ├── 赛道分析/
│   │   ├── 价值链分析/
│   │   ├── 竞争分析/
│   │   └── 内部分析/
│   ├── 时间轴/                    # 趋势判断
│   │   ├── 历史脉络/
│   │   ├── 现状定位/
│   │   └── 趋势预判/
│   └── 显隐规则/                  # 游戏规则
│       ├── 显性规则/
│       └── 隐性规则/
├── 个人经历/                      # 个人经历（按纵横框架整理）
│   ├── 层级跨越/                  # 纵向：当前层级→目标层级
│   ├── 能力积累/                  # 横向：专业能力、方法论、人脉
│   ├── 关键转折/                  # 时间轴：重要节点
│   └── 经验教训/                  # 显隐规则：踩过的坑、学到的智慧
├── 行业资料/                      # 行业资料（按纵横框架整理）
│   ├── 宏观环境/                  # PEST分析
│   ├── 行业洞察/                  # 行业/赛道分析
│   ├── 竞争格局/                  # 竞争分析
│   └── 趋势判断/                  # 时间轴趋势
├── 创业履历/                      # 创业经历（按纵横框架整理）
│   ├── 创业经历.md                # 按时间轴整理
│   ├── 关键决策.md                # 按横轴七层分析决策依据
│   └── 成败案例.md                # 按显隐规则复盘
├── 工作日记/                      # 工作记录（按纵横框架整理）
│   ├── 每日思考/                  # 纵横分析小练习
│   ├── 灵感碎片/                  # 随时记录，按框架归类
│   └── 定期复盘/                  # 按纵横框架深度复盘
└── 方法论/                        # 方法论体系
    ├── 纵横深透模型.md
    ├── AI原生创业五步法.md
    └── 万有因缘和合而成.md

整理方法

整理检查清单

• [ ] 个人经历是否用纵横深透模型分析过？
• [ ] 每个资料是否能定位到纵轴六层中的某一层？
• [ ] 每个资料是否能定位到横轴七层中的某一层？
• [ ] 是否有时间轴的梳理（过去→现在→未来）？
• [ ] 是否识别了显性规则和隐性规则？
• [ ] 目录结构是否按纵横框架组织？

产出：

• 按纵横深透框架组织的原始文档（Word/PDF/Markdown/Excel等）
• 每个资料的维度定位说明（属于哪个纵轴、哪个横轴）
• 目录清单（列出所有文件及其维度定位）
• 纵横分析报告（个人发展分析、行业分析等）

第二步：数据清洗——把脏数据变干净

核心：对原始数据进行预处理，确保入库数据的准确性、完整性和一致性。

清洗操作：

数据清洗自检清单：

• [ ] 编码是否统一为UTF-8？
• [ ] 是否去除了HTML标签和特殊符号？
• [ ] 是否去除了重复内容？
• [ ] 是否去除了敏感信息（身份证、银行卡、密码）？
• [ ] 是否去除了低质内容（空白文档、广告）？
• [ ] 术语是否统一？
• [ ] 日期、数字格式是否统一？

第三步：源文档存档——知识库的第一道防线

3.1 为什么必须先存源文档

3.2 源文档存档三铁律

3.3 AHUB的源文档存档实战

VPA知识库120个源文件：
  ├── 法律法规/（50部法律）
  ├── 政策文件/（10份）
  ├── SOP/（10份）
  ├── 指南/（15份）
  ├── 模板/（10份）
  ├── 案例/（3份）
  ├── 策略/（3份）
  ├── 方法论/（2份）
  └── YAML案例/（10份）

存档过程：
  1. 读取每个MD文件完整内容
  2. 计算integrity_hash = SHA256(raw_content)
  3. 提取元数据：doc_type、title、issuing_authority、effective_date
  4. 写入source_documents表，保留完整原文
  5. 后续拆分出的每张knowledge_card，都关联到source_doc_id

第四步：分类与路由——知识去哪个子库

4.1 域路由映射

知识归类不是简单打标签，而是设计一套路由体系——用户问一个问题，系统要知道去哪个子库找。

AHUB的域路由映射表：

路由的价值：用户问"劳动合同解除怎么操作？"→系统识别是法务问题→路由到KB-LEG→在3,856条法务卡片中检索→精度远高于在7,082条全库中检索。

4.2 路由代码实现

KB_ROUTE_MAP = {
    "B1": "kb_prd",    # 产品
    "B2": "kb_leg",    # 法律
    "B3": "kb_fin",    # 财务
    "B4": "kb_gov",    # 治理
    "B5": "kb_ent",    # 创业方法论
    "B6": "kb_das",    # 数字资产
    "B7": "kb_mkt",    # 营销
    "OPS": "kb_ops",   # 运维
}

第五步：切割决策——切与不切的核心判断

5.1 不是所有知识都能切

这是市面上所有课程都不讲的，但我们在实战中踩了最大的坑——

5.2 严肃性三级标注法

切割决策的本质是判断知识的严肃性：

判断规则：

• mandatory → 不可切割、不可重组、不可改写、customizable=false、必须存源文档
• normative → 不可切割、不可重组、不可改写、customizable=false、必须存源文档
• advisory → 可以切割、可以调整、customizable=true、可选存源文档

5.3 知识卡片结构

卡片ID：KC-001-创业心法-001
卡片名称：AI原生创业五步法
卡片类型：方法论
卡片分类：创业心法 > AI原生创业
核心内容：恋爱→结婚→生子→家族→帝王之术，五步严格递进，不可跳跃
详细内容：
  1. 恋爱：产出知识库
  2. 结婚：创建第一个AI联合创始人
  3. 生子：创建功能性Agent
  4. 家族：多Agent协作
  5. 帝王之术：AI公司治理
适用场景：创业者从0到1构建AI原生公司
引用来源：万有AI创始人创业课程2026年6月
关联卡片：KC-001-创业心法-002（万有因缘）、KC-001-创业心法-003（人机铁三角）
创建时间：2026-06-18
更新时间：2026-06-18
版本号：v1.0

卡片ID编码规则：

KC - 001 - 创业心法 - 001
 ↑    ↑        ↑        ↑
卡片  模块编号 分类名称 卡片序号

5.4 双层架构让"切与不切"不再矛盾

第六步：向量化——让AI能"语义搜索"

6.1 为什么需要向量化

6.2 嵌入模型选择

推荐：BGE-M3（中文优秀、1024维、开源免费）

6.3 向量化三步

1. 选模型：BGE-M3（中文优秀、1024维、开源免费）
2. 生成向量：每张知识卡片生成一个1024维向量
3. 存储索引：小规模用Redis（<10万条），大规模用Milvus（>10万条）

6.4 AHUB的向量化实战

BGE-M3模型（1024维）
    │
    ├── 知识卡片 → embedding → Redis/Milvus存储
    │
    ├── 用户查询 → embedding → 向量检索Top-K
    │
    └── 余弦相似度排序 → 返回最相关的5张卡片

向量文件结构：

vector_data/
  ├── vpa_kb_leg.npy   (3,856条 × 1024维)
  ├── vpa_kb_fin.npy   (895条 × 1024维)
  ├── vpa_kb_gov.npy   (803条 × 1024维)
  ├── vpa_kb_ent.npy   (34条 × 1024维)
  └── vpa_kb_mkt.npy   (13条 × 1024维)

第七步：注入管道——从源到库的8步链路

7.1 8步注入管道

EXTRACT → STORE_SOURCE → CLASSIFY → ROUTE → TRANSFORM → ANNOTATE → INJECT → SYNC_GRAPH
 提取      存源文档       分类       路由      转换        标注       注入       同步图谱

7.2 批量注入策略

7.3 字段映射

第八步：存储架构——双层三库存储

8.1 双层三库架构

┌─────────────────────────────────────────────────┐
│              双层三库存储架构                      │
├─────────────────────────────────────────────────┤
│  ┌─────────────── 源文档层 ───────────────┐      │
│  │ source_documents 表（PostgreSQL）       │      │
│  │ · raw_content（完整原文）               │      │
│  │ · integrity_hash（SHA256指纹）          │      │
│  │ · issuing_authority, effective_date     │      │
│  └────────────────────────────────────────┘      │
│                    │ source_doc_id                 │
│                    ▼                               │
│  ┌─────────────── 知识卡片层 ─────────────┐      │
│  │ knowledge_cards 表（PostgreSQL）        │      │
│  │ · card_id, title, content              │      │
│  │ · binding_type, customizable           │      │
│  │ · source_doc_id（关联源文档）            │      │
│  └────────────────────────────────────────┘      │
│                                                   │
│  ┌─────────────── 图谱层 ────────────────┐       │
│  │ Neo4j 知识图谱                         │       │
│  │ · Card节点 + SourceDocument节点         │       │
│  │ · CITES/AMENDS/IMPLEMENTS关系          │       │
│  └────────────────────────────────────────┘      │
│                                                   │
│  ┌─────────────── 向量层 ────────────────┐       │
│  │ Redis/Milvus 向量存储                   │       │
│  │ · BGE-M3 1024维向量                    │       │
│  └────────────────────────────────────────┘      │
└─────────────────────────────────────────────────┘

8.2 数据库基础设施搭建

##### 按规模选数据库——不是上来就搞5种

选择原则：先跑起来再优化，按需加库。

##### 五种数据库各干什么

##### Docker Compose一键部署

version: "3.8"
services:
  ahub-db:
    image: postgres:16-alpine
    environment:
      POSTGRES_DB: ahub
      POSTGRES_USER: ahub
      POSTGRES_PASSWORD: ${POSTGRES_PASSWORD:?请设置强密码}
    volumes:
      - pgdata:/var/lib/postgresql/data
    ports:
      - "5432:5432"
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U ahub"]
    restart: unless-stopped

  ahub-redis:
    image: redis:7-alpine
    command: redis-server --requirepass ${REDIS_PASSWORD:-<请设置强密码>} --maxmemory 256mb
    ports:
      - "6379:6379"
    restart: unless-stopped

  ahub-neo4j:
    image: neo4j:5-community
    environment:
      NEO4J_AUTH: neo4j/${NEO4J_PASSWORD:-<请设置强密码>}
    ports:
      - "7474:7474"
      - "7687:7687"
    restart: unless-stopped

# 最小化启动（1-3人团队）
docker-compose up -d ahub-db

# 需要向量检索时加Redis
docker-compose up -d ahub-db ahub-redis

##### Schema设计——按业务域分库

AHUB的Schema设计：

PostgreSQL (ahub数据库)
├── ahub          # 核心：Agent、Task、Trace、Event、Rule
├── brain         # AI大脑：数据源注册、术语映射、查询模板
├── mingcha       # 产品中心
├── fengming      # 营销中心
├── xuanji        # IP中心
├── tianshu       # 运营中心
├── kb_ent        # 知识库-创业方法论（纯文本）
├── kb_prd        # 知识库-产品（混合）
├── kb_leg        # 知识库-法务（混合）
├── kb_fin        # 知识库-财务（纯结构化）
├── kb_mkt        # 知识库-营销（混合）
├── kb_gov        # 知识库-治理（混合）
├── kb_das        # 知识库-数字资产（混合）
└── kb_ops        # 知识库-运维（纯结构化）

Schema设计三原则：

知识库三种类型：

8.3 四种存储各司其职

8.4 数据流转关系

PostgreSQL（源文档+知识卡片）
    │
    ├──→ Redis/Milvus（向量化：BGE-M3 embedding）
    │         │
    │         └──→ 语义检索：query → 向量 → Top-K卡片
    │
    └──→ Neo4j（图谱化：实体+关系抽取）
              │
              └──→ 图谱推理：实体A → 关系 → 实体B

关键原则：PostgreSQL是"源头"，Redis/Milvus和Neo4j是"衍生"。数据先入PG，再同步到向量库和图谱库。

第九步：知识图谱——把知识关联起来

9.1 知识图谱结构

9.2 实体类型

9.3 关系类型

9.4 知识图谱构建工具

第十步：检索策略——三路混合检索

10.1 联邦查询架构

Agent发起查询
    │
    ├── 查询类型判断
    │     ├── 精确查询 → SQL（PostgreSQL）
    │     ├── 语义查询 → 向量检索（Redis/Milvus）
    │     └── 关联查询 → 图谱推理（Neo4j）
    │
    └── 混合查询 → 三路合并
          ├── SQL结果（精确匹配）
          ├── 向量结果（语义相似）
          └── 图谱结果（关联推理）
                │
                └── 去重 + 排序 + 返回Top-K

10.2 索引类型

10.3 检索技术

10.4 检索实战示例

用户提问："创业公司解雇员工要注意什么？"
  │
  ├─→ PostgreSQL: 精确查询 kb_leg WHERE category='law' AND title LIKE '%劳动合同%'
  │     → 找到3条精确匹配的法律条文卡片（每张携带source_doc_id）
  │
  ├─→ 向量存储: 语义搜索 "解雇员工注意事项"
  │     → 找到5条语义相关的卡片（包括SOP、指南）
  │
  └─→ Neo4j: 图谱推理 "劳动合同解除" ──CITES──→ "《劳动合同法》第39条"
        │                                    ──CITES──→ "离职SOP-HR-005"
        └─→ 沿引用链路找到完整的法律依据链
  │
  └─→ 三路结果合并 → 去重排序 → Top 5 → 送入大模型生成回答
        → 回答中标注："根据《劳动合同法》（源文档ID: doc-xxx）第39条..."

10.5 检索优化

三、数据安全与合规

3.1 安全三道防线

3.2 SQL注入防护实战

_ALLOWED_SQL_TABLES = {
    "knowledge_cards", "card_versions", "source_documents",
    "fin_income_statement", "system_logs",
    # ... 白名单
}

_SAFE_IDENTIFIER_RE = re.compile(r"^[a-z_][a-z0-9_]{0,62}$")

def _validate_table_name(table_name: str) -> str:
    if table_name not in _ALLOWED_SQL_TABLES:
        raise ValueError(f"Table '{table_name}' is not in allowed list")
    return table_name

3.3 个人信息保护（PIPL合规）

四、数据备份与恢复

五、数据血缘——数据从哪来、到哪去

5.1 AHUB的数据血缘

pg_kb_ent ──→ redis_vectors（向量化）+ neo4j_graph（图谱化）
pg_kb_prd ──→ redis_vectors + neo4j_graph
pg_kb_leg ──→ redis_vectors + neo4j_graph
pg_kb_fin ──→ redis_vectors（财务数据只需向量化）
pg_kb_mkt ──→ redis_vectors + neo4j_graph
pg_kb_gov ──→ redis_vectors + neo4j_graph
pg_kb_das ──→ neo4j_graph（IP数据只需图谱化）
pg_kb_ops ──→ 无下游（运维数据独立）

5.2 血缘追踪的价值

六、知识库搭建工具链

七、知识库维护与迭代

知识库不是一次性工程，而是持续迭代的过程。

八、常见误区与错误清单

九、避坑指南

十、使用指导——三类角色的落地执行手册

核心：本章节指导三类角色如何使用本方法论落地执行。无论是创业者个人、产品经理，还是AI工程师，都能按图索骥完成知识库搭建。

10.1 创业者个人——用AI辅助整理个人知识

目标：创业者本人按照本方法论，整理自己的个人经历、行业洞察、方法论体系，形成结构化的个人知识库。

第一步：选择你的AI助手

第二步：让AI理解方法论

操作：将本方法论文档发给AI，发指令：

请阅读并理解《知识库搭建通用方法论》，重点理解：
1. 纵横深透模型（纵轴六层、横轴七层、时间轴、显隐性规则）
2. 十大步骤的流程和要点
3. 知识卡片的结构和编码规则

理解后，我要你作为我的知识整理助手，帮助我按这个框架整理个人知识。

第三步：让AI生成访谈目录

操作：让AI根据纵横深透模型，生成针对你的个性化访谈目录：

请根据我的情况（我是XXX领域的创业者，目前处于XXX层级），生成一个个性化的访谈目录。

访谈目录要覆盖：
- 纵轴六层：我当前的层级、我想达到的层级、跨越需要的条件
- 横轴七层：我的PEST分析、行业/赛道、价值链位置、竞争分析、内部分析
- 时间轴：我的过去关键经历、现在状态、未来目标
- 显隐性规则：我踩过的坑、我学到的智慧

要求：
1. 按纵横深透模型的框架生成问题
2. 每个问题要具体、可回答
3. 问题之间要有逻辑连贯性

第四步：让AI逐条访谈

操作：AI按目录一条一条访问创业者，创业者回答，AI记录整理：

我们现在开始访谈。请根据我之前提供的个人背景，按以下目录开始访问。

每次访问一个维度，我回答后，你记录并确认理解正确后，再问下一个问题。

开始第一个问题：[AI生成的第一个问题]

第五步：让AI生成知识卡片初稿

操作：访谈完成后，让AI根据访谈内容生成知识卡片：

请根据我们刚才的访谈记录，按知识卡片格式生成卡片初稿。

每张卡片包含：
- 卡片ID
- 卡片名称
- 卡片类型（方法论/案例/洞察/经验）
- 核心内容（一句话总结）
- 详细内容（展开说明）
- 适用场景
- 关联卡片

请先尝试生成[3-5]张最重要的卡片，其他卡片我审核后再生成。

第六步：AI辅助行业资料整理

操作：让AI帮助整理行业资料：

请帮我整理以下行业资料，用纵横深透模型框架分析：

1. 帮我搜集/整理：行业报告、竞品分析、市场数据
2. 按纵横深透模型分类：
   - 纵轴：行业当前处于哪个层级？发展趋势？
   - 横轴：PEST分析、行业/赛道分析、竞争格局
   - 时间轴：行业历史、现状、未来趋势
   - 显隐规则：行业法规、潜规则、进入壁垒
3. 生成行业分析报告

创业者知识整理检查清单

• [ ] 是否让AI理解并消化了《知识库搭建通用方法论》？
• [ ] 是否生成了个性化的访谈目录（覆盖纵横深透模型四维度）？
• [ ] 是否完成了纵轴六层的自我分析（当前层级、目标层级、跨越条件）？
• [ ] 是否完成了横轴七层的自我分析（PEST、行业、赛道、竞争、内部）？
• [ ] 是否完成了时间轴梳理（过去、现在、未来）？
• [ ] 是否识别了显性规则和隐性规则？
• [ ] 是否产出了知识卡片初稿？
• [ ] 是否整理了行业资料？

创业者知识整理优先级

10.2 产品经理——设计知识萃取平台PRD

目标：产品经理按照本方法论，设计一个面向创业者的知识萃取工具/平台。

第一步：理解方法论，确定产品定位

核心问题：

• 产品解决什么问题？（帮助创业者整理个人知识，形成AI可用的知识库）
• 目标用户是谁？（创业者，尤其是传统行业转型者）
• 核心价值是什么？（把隐性知识显性化，让AI理解创业者）

第二步：设计产品功能（按十大步骤）

第三步：PRD核心内容

1. 产品概述

产品名称：[待定]
产品类型：知识萃取工具/平台
核心定位：帮助创业者用AI辅助方式整理个人知识，形成结构化的个人知识库

目标用户：
- 创业者（尤其是传统行业转型者）
- 企业高管（整理管理经验）
- 专业人士（萃取行业经验）

核心价值：
1. 把隐性知识显性化，让AI能理解创业者
2. 用纵横深透模型确保知识整理的全面性和系统性
3. 通过AI辅助降低知识整理的门槛和成本

2. 用户旅程

第一阶段：初始化
- 用户注册登录
- 选择身份（创业者/高管/专业人士）
- 填写基本信息（行业、领域、当前层级）

第二阶段：AI辅助访谈
- AI根据纵横深透模型生成个性化访谈目录
- 用户按目录回答问题（支持语音输入）
- AI实时记录、整理、确认

第三阶段：资料上传
- 用户上传已有资料（文档、录音、图片）
- AI自动识别、整理、分类

第四阶段：知识卡片生成
- AI根据访谈和资料生成知识卡片
- 用户审核、修改、补充
- 确认后入库

第五阶段：知识库管理
- 查看知识卡片列表
- 编辑、删除、补充卡片
- 查看知识图谱

第六阶段：AI对话
- 用个人知识库训练AI
- 与AI对话，验证知识库质量
- 持续优化完善

3. 核心功能需求

F1：AI辅助访谈系统
- 按纵横深透模型生成个性化访谈问题
- 支持语音输入（录音转文字）
- AI实时整理、归纳、确认
- 生成访谈记录和初步知识卡片

F2：纵横深透框架引导
- 在资料整理、案例复盘等场景嵌入框架引导
- 帮助用户用纵横深透模型分析问题
- 可视化展示分析结果

F3：知识卡片管理
- 卡片创建、编辑、删除
- 卡片分类、标签、搜索
- 卡片关联、版本管理
- 卡片导出（JSON/Markdown）

F4：行业资料整理
- 支持批量上传行业报告、竞品分析等
- AI自动识别、提取关键信息
- 按纵横深透模型分类整理

F5：知识图谱可视化
- 自动生成知识图谱
- 可视化展示实体和关系
- 支持交互探索

F6：个人AI训练
- 用个人知识库微调或RAG
- 生成个人AI助手（类比明察）
- 支持对话验证知识库质量

4. 非功能需求

第四步：MVP优先级

10.3 AI工程师——构建知识萃取技术平台

目标：AI工程师按照本方法论，构建支撑知识萃取的技术平台。

技术架构

┌─────────────────────────────────────────────────────────────┐
│                        用户层                                │
│  [Web端]  [移动端]  [API]                                   │
└─────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│                       服务层                                 │
│  [访谈服务]  [清洗服务]  [切割服务]  [向量化服务]  [图谱服务] │
└─────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│                       数据层                                 │
│  [PostgreSQL]  [向量数据库]  [Neo4j]  [文件系统]             │
└─────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│                       模型层                                 │
│  [LLM API]  [Embedding API]  [语音识别 API]                 │
└─────────────────────────────────────────────────────────────┘

核心模块

十一、方法论关系：与其他方法论的映射

Phase 0: ①企业AI化5级标准 → 评估需不需要建知识库
    │
Phase 1: ②本体设计 → 确定有哪些实体和关系（知识库Schema的依据）
    │     ★本方法论 → 数据库基础设施 + 知识整理 + 切割 + 向量化 + 存储 + 检索
    │     ④知识图谱与双向数据流 → 知识库的高级形态（图谱推理、双向同步）
    │     ⑤知识注入与智能检索 → 注入管道和检索服务的深度展开
    │
Phase 2: ⑥Agent创建 → Agent需要查知识库
    │     ⑧三层记忆 → 记忆存在数据库里
    │
Phase 3: ⑨AI宪法 → 数据安全合规
    │     ⑩可观测性 → 数据库操作追踪

本方法论是知识库搭建的"全流程版"——从散乱知识到AI可检索的完整链路。④知识图谱是本方法论中"图谱层"的深度展开。

十二、一句话总结

知识库搭建 = ①知识整理（纵横深透框架）→ ②数据清洗 → ③源文档存档 → ④分类路由 → ⑤切割决策（严肃性三级）→ ⑥向量化 → ⑦8步注入管道 → ⑧双层三库存储 → ⑨知识图谱 → ⑩三路混合检索。

核心铁律：原文不动、指纹防篡、卡片溯源、严肃性分级、先跑PG再按需加库。

万有AI | 依据AHUB智慧运营中心实战萃取