本文介绍了企业构建知识底座的重要性并详细解析了四种知识组织与检索模式向量RAG、GraphRAG、PageIndex和LLM-Wiki。文章从实际应用场景出发分析了每种模式的原理、优缺点和适用性并探讨了多种模式的融合应用方法。通过学习本文读者可以更好地理解和应用大模型技术为企业知识管理提供有力支持。知识工程是企业 Agent 系统构建的重要基石之一。大型企业内部的知识以各种形态分散在不同的部门与系统里。它们可以用来协助构建业务本体但更多时候我们要让知识能够被 Agent 检索和查阅以构建必要的上下文进而提供问答、探索、创作等任务能力。从经典的向量 RAG到后来的 GraphRAG再到 PageIndex、LLM-Wiki知识的组织与检索模式不断革新。但面对复杂多变、难以预测的任务很多时候不应该多选一而是将它们融合应用。读完本文相信你对此应该有更清晰与深入的认识。理解知识的四种模式企业构建知识底座是为了让上层应用在当前语境下更多指 AI 智能体应用更加高效、精准地查询到必要的相关知识。不过在大量非结构化文档为主的知识世界里同时做到这三点并不容易。比如把所有知识都通读一遍虽然读取的信息范围更广但效率太低用向量做语义检索速度很快但召回的精度和上下文完整性又会受到文档切分等影响。这也是为什么会有多种知识组织与检索模式本质是为了解决不同要求的知识问题。快速理解四种模式我们用图书馆做例子对这四种模式建立一个快速认识。向量 RAG片段检索。把每本书的段落做成资料卡可按语义查找。比如问“公司报销制度”先找出意思接近的资料卡再找到对应的原文段落。GraphRAG图增强检索。为每本书的章节、人物、机构和事件等建立“关系网”。比如查“谁影响了谁”可以先找到对象再沿着关系网追查。PageIndex文档树导航。拿到一本厚手册为它建立分章节的目录和摘要。查找内容时先看目录选章节再逐层翻到正文读取内容。LLM-Wiki知识编纂。像图书管理员读过相关书籍后编写一部持续修订的专题百科。后来的人先看百科目录再找到专题阅读必要时才回到原书。需要注意这四种能力的层次不完全相同有的侧重检索结构有的侧重知识组织 — 这也决定了它们并非水火不容。广义的 RAG 是通过外部知识来增强 LLM 输出准确性的一种架构并不局限于向量数据库Graph、PageIndex 都能进入 RAG 链路。本文的“经典 RAG”特指以文本切块、向量召回为核心的常见实现。经典 RAG 与 GraphRAG 从找片段到找关系这是两种最为熟知的 RAG 模式我们做一个简单回顾。经典 RAG按意思查资料卡经典 RAG 把原文片段Chunk作为检索单元。与精确匹配不同向量索引按语义相似程度查找内容。可以把向量粗略理解为文本在“语义地图”上的坐标意思相近的内容更有机会被一起发现但不保证事实/内容相同。其准备与应用过程一般为索引阶段解析文档、按章节或语义切块计算向量连同来源等元数据写入向量库检索阶段把用户问题也转成向量通过向量库检索到相近片段再交给模型回答实际应用中向量检索可以与关键词搜索 / 过滤配合使用。比如查“iPhone18 的保修条款”向量帮助理解“保修条款”的问法关键词帮助匹配具体型号 iPhone18。两路候选进行合并、重排等得到更加精准的召回。这可以借助多路融合检索、元数据过滤、或混合检索数据库等技术实现。【适用性与特点】经典 RAG 适合客服、产品资料、内部制度等大规模文档中的局部事实性问答。生态成熟容易建立基线检索性能较高。最大的问题是“相似不代表完整”找到主条款的 Chunk可能漏掉例外找到某个项目可能漏掉它依赖的系统Chunk 过小容易丢上下文而过大又容易带入噪声。这是一些早期 RAG 系统在快速上线后很快无人问津的原因之一原理与实现简单但能解决的问题有限。上线很快优化很慢。GraphRAG沿着关系追查线索“供应商甲停供会影响到哪些大客户”这个问题不会有直接的答案可能需要沿“供应商—零件—产品—订单—客户”查找线索且分散在多份材料甚至数据库中。这需要借助 Graph 这种结构。Graph 把实体比如一个供应商作为节点把关系比如供应商与零件的供应关系作为边大量节点和边就构成了一张更大的 Graph。GraphRAG 就是利用知识图谱增强检索的一类方法。微软的 GraphRAG 是代表性实现构建阶段从文本抽取实体与关系聚合成图再识别联系紧密的社区关系密切的节点组成的“小团体”并生成社区摘要。检索阶段先通过向量找到相关实体再结合邻居、关系与原文补充上下文而总结性问题则可汇总社区报告再输入模型。工程上GraphRAG 的难点在于准确的抽取实体与关系、消歧、原文映射、Graph 数据的存储、更新和查询等特别是一些垂直行业要建立起完备的 Graph 并不容易。【适用性与特点】GraphRAG 适合跨文档关系的多跳问题与主题归纳。比如可以追查“供应商停供会影响哪些客户”也可以回答“这批材料主要讨论什么内容”等总结性问题。相比单一的向量 RAG它能沿着关系补充上下文但准备过程更复杂通常借助 LLM成本也更高当然也可能出错。你应该只在知识具有明显的关系特征、而任务确实需要关系探索时才考虑 GraphRAG。最后GraphRAG 的使用也可能需要向量。比如先用向量找到与问题相关的 N 个实体再沿 Graph 的关系补充线索。PART 03PageIndex 先看目录再翻阅原文向量检索帮助找到相关内容Graph 则帮助补齐关系。它们在回答事实性问题时可能很有用比如从一份数百页的软件帮助文档中查询“单点登录支持哪些认证协议”通常比较容易定位答案。但你如果问“为什么配置了单点登录部分用户仍无法登录这与权限设置或版本有关系吗”处理这类问题时RAG 甚至 GraphRAG 方案都可能遇到一个难点上下文读不全。一份复杂软件的帮助文档中单点登录配置、权限设置、版本限制、常见问题分散在不同章节彼此相隔几十页。如果只召回与问题相似的段落就容易漏掉前置条件、配置依赖和注意事项中的重要信息。PageIndex 为这类需要长文档跨章节查证的问题提供了另一条路径。核心方法建立原文档的导航树PageIndex 的核心思想是解析文档利用目录、标题版式或正文识别文档的章节层级将节点与页码或正文范围关联并按配置生成节点摘要形成一棵原文档的“导航树”。这里的节点就是一个索引节点它告诉模型这一节讲什么、上下层是什么以及去哪里读。它不依赖向量但仍按章节层级组织索引并保留原文定位信息。而到了查询阶段模型从查看这棵“导航树”开始首先根据问题选择相关章节与页码范围调用读取工具取得对应页的原文内容如果模型认为上下文不足可能要求继续补充其他章节在上面的例子中可能要先读单点登录配置再补上权限设置、版本限制和常见问题中的相关内容。当然是否读全很大部分取决于导航树的质量和模型的选择。技术实现借助 PageIndex SDK借助开源 PageIndex可以快速上手。以下为本地调用的示例from pageindex import PageIndexClient client PageIndexClient( indexgpt-6-luna, # 建树模型 chatgpt-6-sol, # 查询模型 ) doc_id client.submit_document( report.pdf )[doc_id] answer client.chat( 2023 年的营业利润率是多少, doc_iddoc_id, )PageIndex SDK 提供索引创建、结构读取、检索与问答等接口目前主要处理文本型 PDF 或 Markdown 文件OCR、视觉解析等能力需另行集成。适用性与特点从原理看PageIndex 更适合年报、合同、手册等章节清晰、需要跨章节核对的长文档。如果有很多长文档通常需要先发现候选文档。PageIndex 的优势是先了解全文脉络然后取证大大减少可能的上下文遗漏。缺点是适用场景相对受限所以在大型项目中可能更适合作为“副手”。其代价是查询的延迟及额外成本毕竟结构解析、摘要生成、检索时判断都需要借助 LLM本身也存在不准确的可能。PART 04LLM-Wiki 把知识按主题编纂和查询LLM-Wiki 是 Andrej Karpathy 在今年提出的一种模式。它的核心思想是LLM 不再在查询时从原始文档中检索信息而是先将知识编译成一个持久的、相互关联的 Wiki并保持其更新 — 就像一部持续修订的专题百科按主题把原始知识文档整理成概念页Page保留关键结论并在 Page 之间建立交叉链接。核心方法LLM 的编译与持续更新初次构建时先把原始目录比如 raw中的文档编纂成可复用的知识页。 LLM 读取raw中的文档识别实体、概念和关键事实、规划 Wiki 的页面结构、再按主题整合材料、生成概念页 / 实体页 / 专题总结等最后建立交叉链接、来源回链和索引页。同一主题可以汇总多个来源一份原文也可能贡献给多个页面。初次构建后后续再围绕变化持续维护。 当新材料进入或知识源发生变化借助 LLM 识别受影响的 Wiki 页进行补充、修订或删除并标注尚未解决的问题最好还能定期检查过期内容、断链和知识缺口等。使用时Agent 沿着索引页与内部链接根据任务找到自己需要读取的内容先看索引页比如 index.md了解知识库有哪些主题判断从哪里开始。进入相关概念页沿目录链接打开页面阅读已经整理好的知识。按需延伸阅读沿交叉链接查阅相关概念补齐必要知识。用于当前任务依据这些知识回答问题、分析方案、撰写文档或编写代码。可以看到读取时不依赖于向量索引或相似度排名。你可以根据需要定义自己的知识加载策略比如在 AGENTS.md 或 Skill 中设定读取流程和约束。OKF将 LLM-Wiki 标准化的知识格式这里还有一个概念OKF开放知识格式。它是 Google 发布的开放知识格式规范可用于表达和交换 LLM-Wiki 等方式整理出的知识。在这个规范中一个 Wiki 页面通常表示为带 YAML 元数据的 Markdown。比如基于 OKF 规范的 LLM-Wiki 一般长这样适用性与特点LLM-Wiki 适合沉淀领域术语、指标口径、操作规程、编程上下文等既能直接浏览也能为 Agent 组织任务所需的上下文。它的难点在于规模化与长期维护这源自它有一个独立的“中间层” Wiki。当你的 Wiki 拥有成千上万的页面后一旦知识源发生变化需要定位受影响的页面处理更新、冲突和错误等这需要付出较大的时间与 Token 成本。所以在企业应用中不宜急着把所有资料编成 Wiki。优先沉淀反复使用、相对稳定的核心知识而海量工单、会议纪要这类知识可以在发现复用价值后再整理。当然更合适的方法是与其他模式进行协作与融合应用。PART 05四种模式的融合应用在探讨几种模式的融合之前我们做一个简单的总结模式擅长任务工程负担与主要局限向量 RAG海量资料中的局部事实召回精准度可能遗漏上下文GraphRAG关系探索与全局主题抽取与消歧错误关系会扩散PageIndex长文档内跨章节取证建树与阅读多步查询较慢LLM-Wiki复用知识、探索与创作规模化维护量大更新与读取成本注意这只是一般的工程分析并非排名。每种模式都有代价向量需要嵌入图需要抽取关系树导航要建树Wiki 则需要整理和持续维护。所以在真实应用中往往需要组合使用它们按任务路由或串联使用不同模式与工具。下面来探讨一些可能的融合应用模式。融合一向量找到入口用 Graph 做关系扩展先用关键词与语义向量检索找到相关实体或片段再借助图沿有来源的关系扩展返回相关上下文必要时用重排模型筛选。也可以将片段与 Graph 检索并行召回再合并重排也可以结合关键词检索基于 Graph 的扩展应限制关系类型与跳数避免把过多的“远亲近邻”全塞进上下文。融合二向量定位文档用 PageIndex 做增强阅读先通过 RAG 管道或 GraphRAG 检索定位候选文档再根据需要补充上下文。较短的文档可以直接读全文复杂的长文档则调用 PageIndex定位相关章节并补充。这里需要结合向量块的元数据、Graph 节点属性等信息确认读取的文档及其树索引的身份与版本一致避免搜索与读取的不一致。融合三Wiki 存核心知识PageIndex 读长文RAG 连接长尾这是一种分工合作的方式不同任务/子任务可以路由到不同的知识服务管道。企业中核心、稳定、经常被引用的知识整理成 WikiOKF 比如业务规则、管理制度、指标解释、参考手册和 SOP标准操作流程复杂的长文档可以建立 PageIndex便于在长文中阅读、定位、补充上下文其他大量非结构化、快速变化、偶尔被查询的信息仍可由 RAG 管道提供快速服务必要时结合图增强检索使用时Agent 可以借助 LLM 路由器选择工具或者动态的把大任务拆成子任务分别从不同的服务管道查询、整理、再补充、合成结果等。以 AI 编程上下文的应用为例假设为一个行业应用构建 AI 编程知识库已有整理过的 Wiki、向量 RAG 管道以及借助语法树构建的代码图谱一种不借助 LLM 构建的代码 Graph 。那么在一次新需求的设计开发过程中可能同时发生以下动作从 Wiki 的索引入口进入读取相关的业务术语、规则、流程理解系统架构等为核对一个指标口径或 API 变更通过向量 RAG 快速检索到相关的知识与事实借助代码图谱发现模块与代码间的关联性用来分析本次开发的影响范围通过 PageIndex 在一个上百页的接口文档中定位到使用方法、开发注意点等最终你可以生成带有出处、引用甚至页码的待确认设计草稿。必要时你也可以将经过核验、可复用的设计决策与解释再回写 Wiki实现知识积累。当然并非每个任务都需要走遍所有通道。你可以在 AGENTS.md 设定路由与组合规则让 Agent 按需选择也可以定义 Skill 或借助 LangGraph 等框架编排来固化标准的检索过程。融合四Wiki 可以成为其他模式的输入查询管道不一定都从原始文档构建。整理后的 LLM-WikiOKF 本身就是有结构、且质量更高的 Markdown 文档集恰好就是 RAG/GraphRAG 的理想输入。所以你可以在此基础上建立起向量 RAG 的查询加速层并验证分块和召回效果只在必要时才回到最原始的文档查询。此外相互链接的 Wiki 页面本身就构成一个文档的 Graph你可以在此基础上进一步做实体与关系抽取以支持更深入的关系探索。关于以上的几种融合应用模式最后需要说明的是融合扩展了可覆盖的检索需求但也带来了知识更新与治理的复杂性当原始内容或访问权限变化时相关片段、Graph、Wiki 页和文档树都需要相应更新或失效这非常考验工程能力。以上我们梳理了面向 Agent 系统的企业知识底座的构建模式。根据知识特点、任务需要和工程条件企业可以从最紧急的任务入手建立起基线再在业务发展中补齐更复杂的能力。实际构建时可以借助一些开源项目来降低工程复杂度Microsoft GraphRAG实体关系抽取、社区识别、局部检索与全局归纳LightRAG融合图与向量检索支持增量维护PageIndex文档树导航提供索引、检索与问答 SDKOpenWikiLangChain编纂、维护 Wiki支持 OKF 输出RAGFlow很强大的文档解析能力提供 RAG、Wiki、PageIndex 等模式WeKnora来自腾讯的知识工程基座支持 RAG、Graph、Wiki 等知识模式如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包✅ 从零到一的 AI 学习路径图✅ 大模型调优实战手册附医疗/金融等大厂真实案例✅ 百度/阿里专家闭门录播课✅ 大模型当下最新行业报告✅ 真实大厂面试真题✅ 2026 最新岗位需求图谱所有资料 ⚡️ 朋友们如果有需要《AI大模型入门进阶学习资源包》下方扫码获取~① 全套AI大模型应用开发视频教程包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点② 大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通③ 大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。④ AI大模型最新行业报告2025最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。⑤ 大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。⑥ 大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。以上资料如何领取为什么大家都在学大模型最近科技巨头英特尔宣布裁员2万人传统岗位不断缩减但AI相关技术岗疯狂扩招有3-5年经验大厂薪资就能给到50K*20薪不出1年“有AI项目经验”将成为投递简历的门槛。风口之下与其像“温水煮青蛙”一样坐等被行业淘汰不如先人一步掌握AI大模型原理应用技术项目实操经验“顺风”翻盘这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。以上全套大模型资料如何领取
：网络编程中的关键配置函数)
