普通人和中小企业如何搭建AI知识库

金尘马 2026-07-08 25.0 KB 577.2K 𝕏 文章列表

文章针对通用大模型不懂企业内部业务的问题，提出搭建AI知识库的解决方案。作者分析了从直接投喂到RAG等五种实现方式的优劣，强调中小企业应优先采用“目录化知识库”，并结合教培、健康产品、家装等实际案例进行说明。最后提供了具体的目录结构建议、可直接复用的提示词以及工具选择标准，帮助读者快速落地应用。

AI知识库中小企业 RAG 提示词 AI Agent 个人知识库工作流效率

# 一文讲清楚，普通人和中小企业如何搭建AI知识库 **作者**: 金尘马 **日期**: 2026-07-07T15:26:31.000Z **来源**: [https://x.com/jinchenma_ai/status/2074515412272996467](https://x.com/jinchenma_ai/status/2074515412272996467) --- ![Image](/doc/2779/image/img_d54bdbe66b85.jpg) 你有没有遇到过这种情况。老板安排一件事，你给新员工讲了一遍。下一个人来了，又要从头讲一遍。公司里有一个销售很厉害，成交率特别高，但他的经验传不下去。新来的销售不知道怎么学，成长很慢。客户问的问题翻来覆去就那几类，但每次都要重新查资料、重新组织语言。会议记录、项目复盘、产品资料、客户案例……每天都在产生，但真的要用的时候，翻遍电脑也找不到。这是大多数中小企业的日常。不是不重视知识，而是实在没有精力去整理。很多人用过豆包、DeepSeek 或者 ChatGPT。用完之后的感觉很一致：它说的是对的，但对你的业务没用。比如你让它帮你回一个客户问题，它给的答案看起来头头是道，但你一看就知道，这根本不是你们公司的产品、不是你们公司的服务方式、不是你们公司跟客户说话的语气。说白了，它根本不了解你。 ![Image](/doc/2779/image/img_634239e18827.jpg) 那问题出在哪？市面上这些通用 AI 工具，背后的大模型是用公开资料训练的。你可以把它理解成一个见多识广但刚入职的人，他知道很多通用知识，但不知道你们公司自己的情况。但你的企业，你的个人工作，都有自己的一套东西。产品参数、客户案例、服务流程、写作风格，还有过去做对和做错的事情。这些东西，AI 没见过。所以它只能给你一个泛泛的、正确的废话。这篇文章要解决的就是一件事：让 AI 拿到你的上下文，开始基于你的资料干活。看完之后，你至少能拿走四样东西。一个最小知识库目录结构，一套从安全任务开始跑通的流程，两段可以复制的提示词，以及一个选工具的判断标准。第一版不要求技术基础，也不用先买一套复杂系统。先跑起来，才是关键。 # AI 知识库，先从上下文开始很多人一听到「知识库」，脑子里跳出来的是一个文件夹，或者一个文档管理系统。 AI 知识库不是这个意思。 AI 知识库，本质上是在给 AI 补上下文。什么叫上下文？就是 AI 不知道，关于你们公司内部的信息、资料、产品介绍等等。比如说，你们公司是做什么的、产品有哪些、服务过哪些客户、客户常问什么问题、过去哪些案例做得好、哪些做砸了、对外输出的内容应该用什么语气、不应该怎么写。这些东西合在一起，就是 AI 的上下文。 AI 最终的输出质量，其实由三件事共同决定。模型本身的能力，你给它的上下文质量，以及你对它下的任务约束。模型能力当然重要。到了具体业务里，AI 还需要足够具体的上下文，也需要清楚的任务约束。你用同一个模型，给它一堆泛泛的资料，它只能给出泛泛的答案。但你给它你们公司的产品资料、客户真实问题、好的案例和明确的输出规则，它就能给出像你们公司的人写出来的内容。所以，AI 知识库的价值就在这里。再说一个很多人没意识到的事。过去做知识管理，整套流程基本都靠人。人整理资料，人检索资料，人理解内容，人判断哪些能用，再由人改写输出。每一步都要人来做。做过管理的人都知道，人的成本是最高的。就算你把工具和文档库给到员工，培训过了，也不见得每个人都能用好。现在呢？除了最后那一步，也就是人来做判断和校准的那一步之外，前面很多整理、检索、初步改写的动作，AI 都可以参与进来。人主要做判断。AI 输出的东西对不对、好不好、能不能用，人来校准，再告诉它哪里要改。 # AI 知识库的五种实现方式 ![Image](/doc/2779/image/img_b5c3cd3bda7c.jpg) 聊到 AI 知识库，经常会遇到两个词：向量数据库和 RAG。对普通人和中小企业来说，第一版通常还用不到这么重的方案。目前常见的实现方式有五种。它们不是五个并列选项。更像是从轻到重的五个阶段。当前处在哪个阶段，就选对应方案。第一种，直接投喂。最简单的方式。你就把文件直接上传给 AI，让它基于这些文件来回答问题。它适合一次性、小规模、临时性的任务。比如你有一份产品说明书，想让 AI 基于它帮你写一段介绍，直接丢给它就行。但直接投喂的问题也很明显。每次都要重新传，资料多了之后你不知道该传哪份，也很难沉淀成长期系统。第二种，目录化知识库。这是我最建议普通人和中小企业先做的一步。你要做的事情不是搭平台，而是先把手头的资料分好类，放到不同的目录里。比如企业基础信息放一个目录，产品服务放一个目录，客户问题放一个目录，案例资料放一个目录，输出规则放一个目录。然后告诉 AI，遇到什么场景，去哪个目录里找什么文件。这是最适合普通人和小团队开始的方式。不需要任何技术基础，也不需要一开始就买系统。说到底，就是先把你电脑里、飞书里、网盘里的资料变成一个 AI 能找到的资料区。只要这一步做好，AI 的回答就会开始从“泛泛而谈”变成“基于你的资料回答”。第三种，索引型地图。目录化还有一个问题。很多文件不是只能归到一个类别里的。一个客户的成交案例，可能既跟销售话术有关，又跟产品介绍有关，又跟新人培训有关。这时候与其纠结分类，不如换个思路，让 AI 先把所有资料扫一遍，按主题画一张索引地图。比如跟营销相关的主题关联了哪些文件，跟获客相关的关联了哪些文件。然后 AI 顺着这张地图去找资料。这不要求你把文件分类分到完美，而是让 AI 知道「要找什么的时候该往哪走」。具体的索引构建方法，可以参考 Andrej Karpathy 的 LLM Wiki 思路：让 AI 维护一套 wiki 页面、索引和日志，用这些文件把原始资料串起来。第四种，RAG 和向量检索。这个听起来很技术。放到实际使用里，就是资料多到一定程度之后，目录或者索引都不够精准，需要 AI 按语义去找资料。比如你想找一段表达某种特定主题的文案，或者某一个很具体的知识点，你很难用关键词或者目录名去定位它。 RAG 的做法是，提前把你的资料按片段处理好，AI 来检索的时候，不是匹配关键词，而是匹配语义。你的问题是什么意思，它就去找意思最接近的那一段资料。你现在不需要先懂它的技术细节。先知道一件事就够了，它主要解决的是资料太多、目录和关键词都不好找的时候，怎么让 AI 更精准地找到相关片段。适合资料量大、需要按语义精准找到片段的场景。第五种，集成到已有系统或定制平台。这个是企业级方案了。比如你们公司已经有自己的内部系统、客服平台、文档系统，需要把知识库能力嵌入到现有的系统里。很多平台的右下角弹出一个 AI 客服按钮，背后就是这种逻辑。这五种路线，没有谁比谁高级，只有适不适合你现在的阶段。对绝大多数普通人和中小企业来说，从第二种开始就够了。先建目录、放资料、写规则、跑通一个场景。等资料多了、需求复杂了，再往上补索引或者接入更复杂的检索方案。不要一开始就追求“高级”。能用起来，比方案看起来复杂更重要。 # 个人知识库，先解决自己的输出问题说完框架，讲一个我自己的案例。我做的事情很简单。我在电脑上建了一个目录，把我每天产生的想法、日记、过往写的文章、团队开会的资料，全部放在里面。然后我选了一个能读取本地文件的 AI agent 工具，让它可以直接访问这个目录。现在我的工作方式是这样。要写文章了，不是自己翻文件夹找素材，而是直接跟 AI 说我要写什么话题，它自己去目录里翻我过去写过的相关内容和想法，给我整理出素材。要复盘最近的状态了，我就让 AI 去读我最近一段时间的日记，帮我找出这段时间反复遇到的问题是什么，进展怎么样。还有一个让我挺意外的功能是知识图谱。AI 会自动把我不同笔记之间的关联找出来，画成一张图。两个看起来没什么关系的笔记，AI 可能通过一些潜在的主题把它们连起来。 ![Image](/doc/2779/image/img_9d8c7618f719.jpg) 放在以前，这个事情要做的话，我需要一篇一篇地去想「这篇笔记跟哪篇笔记有关系」。有了几百条笔记之后，这个工作量大到根本不可能人工完成。但现在 AI 可以帮你做了。说这些不是想说这套系统有多厉害，而是想说一件事。个人知识库的价值不是收藏，而是输出的时候能找到、能引用、能举一反三。我自己就是靠这套东西来支撑日常的高频内容输出的。它不是帮你把资料归档，而是帮你把过去沉淀下来的东西，在你需要的时候变成能用的素材。 # 企业知识库，先从一个最痛的业务场景切进去个人搭知识库是为了自己的输出。企业搭知识库，场景更多，但逻辑也一样。第一版可以从一个最痛的点切进去，暂时不用做全公司级的大系统。讲三个我实际接触过的场景。第一个是教培机构。教培的资料天然就多。课程内容、项目复盘、SOP、咨询话术、案例总结、课程服务流程，过去都散落在每个人的电脑里、飞书文档的各个角落里，没有一个统一的地方。他们先把资料按类别沉淀到飞书文档和多维表格里。项目复盘一类，SOP 一类，咨询话术一类，案例总结一类。多维表格用来做数据的统计和分发。然后让 AI 基于这些资料，生成一批线索承接话术和内容初稿。比如客户问「我的孩子拼班能不能上」，这类问题以前要销售一个一个去回答、去培训，现在可以基于沉淀下来的资料和话术模板先生成一版回答，再由人调整。团队人数不多，但同时运营着几十个自媒体账号，靠这套系统把内容生产跑起来了。在这个场景里，知识库里主要放课程资料、SOP、咨询话术和案例总结。 AI 先生成线索承接话术、客户答疑内容和内容选题。人再检查这些话术能不能真实使用，把好用的留下，把不自然的改掉，再写回规则里。 ![Image](/doc/2779/image/img_fad8008f62fa.jpg) 第二个是做健康睡眠产品的公司。他们的产品线有几十个，面向不同人群、解决不同问题。过去最大的困难是，新来的销售或者客服要花很长时间才能熟悉所有产品，而且客户问的问题从来不是「这个产品的参数是什么」这种可以直接查说明书的问题。客户真正问的是「我家 70 岁的老人睡眠不好，你们有什么产品能用？」要回答这个问题，你需要从几十个产品里挑出匹配的，还得用客户能听懂的话说出来。这个靠培训是很难覆盖的。他们做的方案，最有价值的一步不是整理产品资料，而是先去采集客户真实的声音。去小红书、抖音的评论区，去客服私信记录里，去销售跟客户的对话记录里，采集客户到底在问什么。然后把这些问题做一轮筛选，优先处理高频、高价值、直接跟转化相关的问题。之后才是结合产品资料，让 AI 生成回答模板。生成之后人工审核，把好的沉淀下来，把不准的标注清楚写回规则。这套东西搭完之后，销售和客服遇到问题，直接问 AI，AI 会引用资料告诉你答案的来源是什么。如果答错了，人纠正它，规则被更新，下一次就更准。所以这个场景不能只靠产品说明书。更有价值的是把客户真实问题和产品资料放在一起，让 AI 生成客服、销售可以参考的回答模板。每一次人工纠正，都会反过来更新知识库里的回答规则。第三个是家装企业。家装是一个偏传统的行业，但它需要的知识体系其实很完整。第一层是行业标准。任何行业都有自己的一套基础共识，这个不能出错。第二层是企业自己的变量。你的设计理念、你服务的城市、你擅长的风格、你设计师的故事、你的真实成交案例。这些东西是你们跟别人不一样的地方。第三层是数据反馈。内容发出去之后，哪篇效果好、哪篇效果差，这个数据要回流，去反哺前面的两层。好的内容分析它为什么好，差的内容让 AI 下次避免类似的方向。过去这家企业要做小红书和公众号的内容，靠的是找外部代运营团队，一个月花不少钱，产出也有限。把知识库搭起来之后，企业主可以把一部分内容初稿和候选选题交给 AI 批量生成，再由人筛选、修改和分发。这时候，知识库里沉淀的不只是行业标准，还有企业变量和内容反馈。AI 负责给出营销内容初稿、内部培训素材和可复用的选题方向，人来判断哪些符合企业调性，哪些真的能带来客户反馈。你会发现，这三个行业完全不同，但最后都不是为了把资料整理整齐。知识库最后要回到培训、客服、销售、内容营销这些具体出口。 ![Image](/doc/2779/image/img_69aba55346e6.jpg) # 今天就能开始的最小版本说了这么多案例，最后还是要回到一个问题。你今天回去能做什么？先确认一个前置条件。你要有一些数字化的资料。 Word、PDF、飞书文档、Excel、会议记录、聊天记录、案例、产品资料、文章草稿，都算。只要有东西在电脑里，就可以开始。最短路径是这样的。第一步，先建一个知识库根目录。在你的电脑上或者企业文档系统里，新建一个文件夹，就叫知识库。第二步，先分五类。企业基础：公司介绍、品牌信息、团队结构、联系方式这些基础内容。产品服务：你们有哪些产品和服务，分别面向什么人群，解决什么问题，跟竞品有什么不同。客户问题：客户常问什么，哪些问题重复出现，哪些是高频高价值的。案例资料：过往做得好和做得不好的案例，成交记录，服务过程。输出规则：你希望 AI 用什么语气、什么风格来写东西，哪些句式不要用，哪些表达方式你们觉得对。这五类不用一次整理完美。先把现有的资料扔进去就行。第三步，选一个能读取本地文件或企业文档的 AI agent 工具。选工具的核心标准就一个。它能不能读到你的资料，并在你授权的情况下做检索、整理、改写和反馈。通用聊天工具适合临时问答，但它进不了你的电脑，读不了你的文件系统。第四步，用结构化提示词让 AI 先帮你整理分类。如果你觉得自己资料太乱了，不知道从哪开始分类，没关系。可以让 AI 先帮你分析所有文件，给出分类建议。你来确认就好，不需要自己手动一个一个搬。第五步，从一个具体场景开始测试。第一版可以只覆盖一个最小场景，比如回答客户问题、生成一段销售话术、整理一篇文章的素材。跑通一个，再扩展到下一个。如果你不知道测什么，我建议你先选一个安全任务。拿 10 份不敏感的产品资料或过往公开内容，再拿 1 个真实但不涉及隐私的客户问题，让 AI 基于知识库给出回答。这个任务足够小，也足够真实。怎么判断你跑通了？可以看三个标志。AI 能说明它引用了哪些资料；它的输出比通用问答更贴近你的真实业务；你可以通过反馈继续修正它。再按这个小清单检查一遍。 1. AI 有没有明确说自己参考了哪些资料？ 2. 回答里有没有出现你们自己的产品、案例或规则？ 3. 有没有编造知识库里没有的信息？ 4. 这段回答能不能被销售、客服或你自己稍微修改后使用？ 5. 你能不能把这次不满意的地方写回输出规则？还有几个要注意的事。资料太乱的时候，先让 AI 输出分类建议，不要让它直接执行移动操作。目录最终由人确认。敏感合同、客户隐私、账号密码这些资料，不适合作为第一批测试材料。第一批先用安全资料。 AI 回答太泛的时候，先检查两件事。资料是不是足够具体，提示词有没有说清楚场景和输出要求。 AI 回答不准的时候，要求它标注引用来源，然后把这次错在哪里写回规则文档里。 # 给两个可以直接复制的提示词第一个，资料自动分类提示词。你可以把下面这段话复制给你的 AI 工具。复制前，先把里面的目录路径替换成你自己的真实路径。 ``` 我的知识库根目录在：[你的知识库目录路径] 现在有一批待整理资料在：[待整理的文件位置] 请你帮我做以下事情： 1. 读取这些文件的文件名和内容，理解每个文件在讲什么。 2. 按照以下五个分类，给出每个文件的归属建议： - 企业基础 - 产品服务 - 客户问题 - 案例资料 - 输出规则 3. 如果一个文件同时属于多个分类，请标注主分类和关联分类，并说明理由。 4. 列出你无法判断归属的文件清单，并说明为什么。 5. 给出下一步整理建议，比如哪些分类下的文件太多，是否建议再分子目录。注意： - 不要删除任何原文件。 - 不要移动任何原文件。 - 不要改写任何原文件。 - 只输出分类建议和整理清单，由我确认后再执行。 ``` 第二个，基于知识库回答客户问题。 ``` 我的知识库目录在：[你的知识库目录路径] 现在有一个客户问了以下问题： [粘贴客户问题] 请你基于知识库里的资料来回答。要求： 1. 先判断客户真正关心的是什么。 2. 给出一段简短直接、可以发给客户看的回答。 3. 如果需要，再给出更详细的解释，方便销售或客服理解。 4. 列出你可以追问客户的问题，帮助进一步了解他的需求。 5. 必须标注你的回答引用了哪些资料。 6. 如果知识库里没有依据，请明确说“资料不足，不能确定”，不要编造。 7. 不要承诺知识库里没有写明的产品效果、价格、服务范围或交付结果。 8. 最后列出需要人工确认的风险点。 ``` 这两个提示词跑顺之后，可以再考虑把它们沉淀成 skill。这不是第一天必须做的事，先把前面的问答跑通。 Skill 的意思就是，把一套固定流程保存下来，下次不需要再手敲这么长的提示词。你只需要跟 AI 说「用客户问答技能帮我处理这个客户的问题」，它就会按你之前设定好的那套流程来执行。 # 工具怎么选说到工具，很多人会问同一个问题：我到底该用哪个？选工具之前，先回到那个核心标准：这个工具能不能真正进入你的工作环境，读取你的资料，并在你的授权下做事情。通用聊天工具，不是不好，只是它的设计场景是对话，不是管理你电脑里或者企业系统里的资料。目前市面上有一类工具，叫做 AI agent 工具。它们的特点是：你能告诉它你的资料在哪，它能直接去读、去整理、去改写，而不是只在对话框里等你投喂。 Codex 和 WorkBuddy 就属于这一类。怎么取舍呢？如果你的网络环境和账号都没问题，可以用 Codex。它在这类工具里做得比较成熟，我自己日常也在用。如果你想要国内使用起来更方便，可以考虑 WorkBuddy。两者还都可以通过手机端操控。你用手机远程连上部署了工具的电脑，照样可以发指令、收结果。另外提一句，如果你的企业已经在用飞书，飞书文档加上多维表格是一个很好的企业资料底座。你不需要额外再搭一套文档系统，可以在已有的飞书体系上直接把知识库建起来。但工具说到底只是工具。知识库能不能用起来，不取决于你选了哪款软件。更关键的是，资料有没有整理好，规则有没有写清楚，切入场景对不对，后面有没有持续反馈。 # 知识库有没有用，取决于你后面如何反馈很多人在搭完知识库之后，会产生一种错觉。觉得这事已经搞定了。其实搭起来只是第一步，后面更有价值的是持续反馈。 AI 回答错了，你要记录错在哪里。不是骂一句「AI 真蠢」就完了，而是把这次错误写回规则文档里，让 AI 下次不再犯。 AI 写出来的东西不像人说话，这就是常说的 AI 味。怎么办？把你觉得不对的句式一个一个写进输出规则里。比如哪些开头你不喜欢，哪些词太空，哪些句式太像 AI，哪些表达不像你们公司的语气，都写下来。 AI 下次输出之前，先读这些规则，就会更接近你想要的表达。某类内容发出之后效果特别好，你要把这个好案例分析一下为什么好，然后沉淀回知识库。下次 AI 再生产同类内容的时候，就有了参照标准。你可以把它当成一个很朴素的循环。资料先进去，AI 先试着用，人发现不对就改规则。下一次再遇到类似问题，它就少错一点。比如这次 AI 回答客户问题时，把产品适用人群说得太宽了。你不要只改这一次回答。你应该把这条限制写回产品资料或输出规则里，写清楚这个产品只适合哪些人，不适合哪些人，哪些场景必须提醒人工确认。下一次 AI 再回答类似问题，它就会更精准。它不是一次性的整理工作，而是一个需要人持续参与、持续做判断的系统。企业想推进这件事，不必把它做成大项目。先看哪个业务环节最痛。是新人培训反复做，是客户问题答不上来，还是内容营销产量跟不上？找到最小的痛点，选一条能跑通的方案，再让团队跟着用一段时间。尤其是不太熟悉 AI 的团队，需要有人带着大家把习惯养起来。一个能用的知识库，不是建完就放着。业务变了，经验多了，AI 经常答错的地方被你改进了，它才会越来越贴近你的真实工作。资料不是为了沉淀而沉淀，是为了下一次用的时候能找到、能用上、能校准。 # 写在最后 AI 知识库不是一个高大上的企业系统。它就是让你手里的资料、你脑子里的经验、你踩过的坑、你做对的判断，变成 AI 能理解、能调用的东西。普通人和中小企业的第一版，不必从复杂的 RAG 或者定制平台开始。先找一个你最痛的小场景。建一个目录，放一批资料进去，拿一个真实问题去测试，看 AI 能不能基于你的资料给出比通用问答更贴近你业务的答案。跑通一个，你就知道这条路走得通。你今天就可以花 15 分钟做一个最小测试。第一，新建一个文件夹，叫知识库。第二，按企业基础、产品服务、客户问题、案例资料、输出规则，建五个子目录。第三，先放 10 份不敏感的资料进去。第四，复制上面的客户问答提示词，拿一个真实问题试一次。第五，看 AI 有没有引用你的资料，回答是不是比通用聊天工具更贴近你的业务。以后重要的不是你会问一句 prompt。而是你每次做完一件事，都能把经验、案例、规则留下来。下一次再遇到类似问题，AI 不是从网上重新猜一遍，而是从你的资料里接着往下做。金尘马｜大厂程序员｜30天X破万粉变现过万｜持续分享 AI 搞钱、程序员转型、OPC 心得｜联系方式见主页介绍：https://x.com/jinchenma_ai ## 相关链接 - [金尘马](https://x.com/jinchenma_ai) - [@jinchenma_ai](https://x.com/jinchenma_ai) - [55K](https://x.com/jinchenma_ai/status/2074515412272996467/analytics) - [https://x.com/jinchenma_ai](https://x.com/jinchenma_ai) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [11:26 PM · Jul 7, 2026](https://x.com/jinchenma_ai/status/2074515412272996467) - [55.8K Views](https://x.com/jinchenma_ai/status/2074515412272996467/analytics) - [View quotes](https://x.com/jinchenma_ai/status/2074515412272996467/quotes) --- *导出时间: 2026/7/8 10:00:50*

相关文档