# 第 2 课 · 知识库实战：从散乱资料到可检索资产（学员手册）

> 文件路径：`/Users/apple/Documents/4.0 Sanyuan/2.4 环境公益"新"力量/course/part-02-knowledge-base/README.md`
>
> 时长 120 分钟　|　课后产出：个人层 + 组织层知识库上线，命中率达标
>
> 前置：完成第 1 课「技能构建」，手上至少有 1 个跑通的文书技能。

---

## 一、这节课要解决什么

调研显示，约 **50%** 的环境公益机构把「资料散落各处、过往案例难以复用」列为最大痛点之一。团队换人、项目结项、资助方更替——每次都要从头找文件、翻聊天记录、问老同事。

第 1 课解决了「怎么做」（技能），但技能要答得**准**，必须有机构自己的资料支撑。第 2 课就从这里切入：把散落在云盘、微信、邮件附件里的项目档案、资助指南、历年案例，整理成 AI 能准确检索的**知识库**。

一句话：**技能知道「怎么做」，知识库提供「弹药」。**

## 二、学习线路：7 步走完一轮知识库

这节课按「先想清楚，再动工具」来学：

| 步骤 | 核心问题 | 产出 |
|------|----------|------|
| 1. 看清关系 | 知识库和第 1 课技能是什么关系？ | 知道知识库提供事实，技能定义做法 |
| 2. 定范围 | 我的项目助理最需要查哪类资料？ | 选定 1-2 个知识库栏目 + 10 个测试问题 |
| 3. 过合规 | 哪些资料能用，哪些不能上云？ | L1-L4 分级清单 |
| 4. 整资料 | 文件要怎么清洗、条目化、补 frontmatter？ | LLM-wiki 条目 + metadata |
| 5. 放工具 | 知识库、工作台、Agent平台、Dify 分别放在哪？ | 个人层 + 组织层工具边界 |
| 6. 跑一轮 | 知识库能不能回答真实问题？ | 10 问命中率 |
| 7. 调问题 | 答不好是检索问题还是生成问题？ | 修复记录 + 下一轮优化 |

## 三、第一步：先分清知识库 vs 技能

| 维度 | 技能（第 1 课） | 知识库（本课） |
|------|----------------|---------------|
| 回答的问题 | **怎么做**——流程、格式、边界 | **有什么**——事实、案例、数据 |
| 公益类比 | 机构 SOP + 模板 + 规则 | 历年项目档案、资助指南、案例库 |
| 更新频率 | 流程变了才改 | 有新材料就补 |
| 典型内容 | 输出契约、Gotchas、触发说明 | PDF 报告、项目总结、服务故事 |

**它们不是竞争关系，而是搭档**：技能定义「怎么做」，知识库储备「做事素材」——第 3 课把二者编排进同一个 AI 智能体。

## 四、第二步：先定范围和 10 个测试问题

调研数据告诉我们，学员最需要的五类知识库内容（按「有用」评分排序）：

| 排名 | 知识库分类 | 调研评分 | 典型内容举例 |
|------|-----------|---------|-------------|
| 1 | **沟通模板** | 4.38 | 捐赠人邮件模板、媒体问答口径、社区沟通话术 |
| 2 | **资助指南** | 4.38 | 各基金会申请要求、评审标准、往期资助清单 |
| 3 | **项目管理** | 4.29 | 项目计划模板、监测评估框架、财务报告格式 |
| 4 | **案例** | 4.17–4.25 | 成功/失败案例复盘、服务故事、传播素材 |
| 5 | **志愿者管理** | 4.08 | 招募流程、培训手册、志愿者反馈表 |

先建评分最高、与你立项书最相关的 1-2 类。不要先问“我要用哪个工具”，先问：

```text
我的项目助理未来最常被问哪 10 个问题？
这些问题的答案应该来自哪些资料？
这些资料是否真实存在、可用、可上云？
```

## 五、第三步：数据合规 4 档

把资料喂给 AI 之前，**必须**先分级。4 档从松到严：

| 级别 | 名称 | 例子 | 怎么处理 |
|------|------|------|---------|
| **L1** | 公开 | 公众号文章、年报、公开活动总结 | 可直接用，上传 Agent平台 |
| **L2** | 准公开 | 脱敏后的案例、内部培训资料 | 经审核后可用，上传前确认已脱敏 |
| **L3** | 内部 | 会议纪要、未发布计划、内部预算 | 仅限个人工作台 / 本地知识库，不上传云端 |
| **L4** | 敏感 | 捐赠人手机、受益人身份证、志愿者隐私 | **禁止**写进任何知识库或技能 |

**红线**：受益人、志愿者、捐赠人的姓名与联系方式，输出前一律脱敏（姓名→A/B，删除手机/证件号）。拿不准时，宁可不放。

## 六、第四步：把资料整理成 AI 能检索的形态

知识库不是把文件堆进系统，而是把资料整理成机器更容易理解、引用和审核的知识条目。本课采用 LLM-wiki 的逻辑：每一份重要资料都尽量清洗成“frontmatter + 正文”的结构。

### 6.1 LLM-wiki 条目的基本形态

frontmatter 是放在 Markdown 文件最前面的结构化信息，用来说明这份知识是什么、从哪里来、能被谁使用、适合回答什么问题。正文保留事实、流程、案例和可复用表述。

```yaml
---
doc_title: 2024 清河巡护项目结项报告
doc_type: 结项报告
project_name: 清河巡护项目
year: 2024
module: M1 文书
topic_tags:
  - 河流保护
  - 志愿者管理
privacy_level: L2
audience_scope: 内部同事可问
retrieval_hint: 事实查找
source_owner: 项目部
last_reviewed_at: 2026-06-10
source_path: 云盘/项目档案/2024清河
canonical_questions:
  - 2024 清河项目开展了多少次巡护？
summary: 记录 2024 年清河巡护项目的活动、产出、成效和反思。
---
```

最低要求：

| 字段 | 作用 | 不写会怎样 |
|------|------|------------|
| `doc_title` | 让系统知道资料标题 | 容易混淆相似文件 |
| `doc_type` | 区分报告、制度、案例、会议纪要 | 不利于按场景检索 |
| `privacy_level` | 控制 L1/L2/L3 使用边界 | 容易把敏感资料放错位置 |
| `retrieval_hint` | 告诉系统适合事实查找、案例参考还是流程执行 | 回答容易泛化或跑偏 |
| `canonical_questions` | 写出这份资料应该能回答的问题 | 后续测试命中率困难 |
| `summary` | 用 1–2 句话概括核心内容 | 模型需要读更多上下文才知道是否相关 |

### 6.2 前处理的 5 个动作

| 动作 | 做什么 | 推荐工具方式 |
|------|--------|--------------|
| 去噪 | 删除目录页、重复页眉页脚、无意义换行、扫描错误 | OCR 后用 LLM 检查格式与错字 |
| 脱敏 | 替换姓名、手机号、身份证、精确地址、资金敏感字段 | 用 LLM 做敏感信息扫描，再人工复核 |
| 结构化 | 把长文拆成标题、背景、做法、数据、成效、反思 | 用 LLM 生成 Markdown 层级 |
| 补 frontmatter | 为条目补齐标题、类型、标签、密级、可回答问题 | 用模板让 LLM 先草拟，再由负责人确认 |
| 切片 | 按自然小节拆分，避免一个片段塞进太多主题 | 一般单片控制在 800–1500 中文字，复杂表格单独处理 |

课堂建议使用一个固定清洗提示词：

```text
请把下面资料整理成适合进入知识库的 LLM-wiki 条目：
1. 删除重复、噪音和与正文无关的内容；
2. 识别并标注可能需要脱敏的信息；
3. 生成 Markdown 正文，保留事实、数据、流程、案例和原始表述；
4. 在开头生成 YAML frontmatter，至少包含 doc_title、doc_type、privacy_level、topic_tags、retrieval_hint、canonical_questions、summary；
5. 如果资料不适合进入组织知识库，请说明原因。
```

### 6.3 三类核心材料

| 材料 | 来源 | 处理方式 | frontmatter / metadata |
|------|------|----------|------------------------|
| 历年项目档案 | 结项报告、季度总结、活动记录 | 一个项目 = 一组 LLM-wiki 条目，按章节拆分 | 项目名、年份、资助方、领域标签、可回答问题 |
| PDF 报告与资助指南 | 申请指南、行业报告、政策文件 | 转文本、清乱码、修复表格，长报告按章节成条目 | 发布机构、年份、文档类型、条款适用范围 |
| 案例与服务故事 | 传播稿、项目复盘、服务故事 | 统一为背景、干预、结果、反思 | 案例类型、领域、年份、隐私档位 |

### 6.4 不同文件类型怎么处理

| 文件类型 | 入库前处理 | 注意事项 |
|----------|------------|----------|
| Word / Markdown | 保留标题层级，按章节清理，补 frontmatter | 最适合直接入库；一份文档只讲一个主题 |
| PDF | 先判断文字 PDF 还是扫描件；扫描件先 OCR | 表格页单独转结构化文本，避免乱码污染知识库 |
| Excel / CSV | 转成字段说明、典型问答、行记录摘要 | 不要整表硬传；数字类问题要保留口径说明 |
| PPT | 转成逐页讲稿或要点 | 图片里的关键信息要补文字说明 |
| 图片 | 先 OCR 或用识别工具转文本 | 不把图片当作唯一事实来源 |
| 音频 / 访谈 | 先转写，再脱敏，再按主题拆分 | 访谈对象姓名、电话、住址必须删除或替换 |

## 七、第五步：工具落位，而不是工具先行

本课不把「工具功能」当主线，而是按使用场景分层。课程口径先抽象成两类能力：**知识库负责让资料可检索、可引用；工作台负责把知识带入具体任务。**

| 层级 | 工具 | 课程定位 | 适合处理 |
|------|------|----------|----------|
| 初阶个人层 | **个人知识库** | 快速收纳、阅读、问答、萃取碎片资料，示例工具包括 ima 等知识工作台 | 微信文件、网页、PDF、图片、音频、个人资料夹 |
| 个人执行层 | **工作台** | 调用个人知识做实际任务，示例工具包括 QoderWork 等 | 第 1 课技能、个人草稿、L3 内部资料 |
| 组织主线 | **Agent平台** | 组织层项目助理知识库，挂载到 AI智能体 | L1 公开资料、审核后的 L2 准公开资料 |
| 高阶理解 | **Agent平台 进阶 / Dify** | 解释 RAG 机制，训练检索调参能力 | 向量检索、全文检索、混合检索、rerank、frontmatter / metadata 过滤 |

```text
已分级、已清洗、已补 frontmatter 的资料
  → 个人知识库：个人收纳、阅读、初步萃取
  → 工作台：个人任务执行
  → Agent平台：组织层知识库 + 项目助理
  → 高阶 RAG：检索策略、切片、frontmatter / metadata、评测
```

## 八、第六步：先跑 10 问命中率，再讲检索原理

知识库建好后，测试「问 10 个真实问题，AI 答对几个」——这就是**命中率**。

| 结果 | 记分 | 判断标准 |
|------|------|----------|
| 命中 | 1 | 找到正确资料，回答事实准确，可引用来源 |
| 半命中 | 0.5 | 找到部分资料，但答案不完整或表达有误 |
| 未命中 | 0 | 没找到资料、引用错误资料、编造答案 |

## 九、第七步：把检索模式当作诊断工具

只有当 10 问测试暴露问题后，再讲向量、全文、混合检索。这样学员会知道这些概念是在解决什么问题。

| 问题类型 | 推荐检索 | 例子 |
|----------|----------|------|
| 精确名词、编号、日期、政策条款 | 全文检索更稳 | 「2024 清河项目巡护次数是多少？」 |
| 换一种说法问同一件事 | 向量检索更稳 | 「哪些案例适合讲社区参与成效？」 |
| 既有关键词又要语义判断 | 混合检索默认优先 | 「找一个和湿地公众教育相似、且有志愿者数据的案例」 |
| 大知识库、多部门、多项目 | metadata 过滤必需 | 限定年份、项目、资助方、领域后再检索 |

答不好时，按这个顺序排查：

```text
答不好
├── 资料不存在 → 补资料
├── 资料存在但没找到 → 改切片 / frontmatter / metadata / 检索模式
└── 找到了但写不好 → 回第 1 课改 Skill 输出契约 / Gotchas
```

**口诀**：先看资料，再看检索，最后看生成。

## 十、课堂练习（60 分钟）

```text
练习进度：
- [ ] Step 1 选材料：从三类中选 1 类，找出 5–10 份真实文档
- [ ] Step 2 分级：逐份标注 L1–L4，L4 直接剔除
- [ ] Step 3 清洗：用 LLM-wiki 提示词去噪、脱敏、结构化
- [ ] Step 4 补 frontmatter：写 doc_type、privacy_level、retrieval_hint、canonical_questions
- [ ] Step 5 放工具：L1/L2 进 Agent平台，L3 留在个人知识库 + 工作台
- [ ] Step 6 测试命中率：问 10 个真实问题，记录答对几个
- [ ] Step 7 诊断 + 改进：先看资料，再看检索，最后看生成
```

## 十一、课后作业（分层）

| 层级 | 个人层 | 组织层 | 命中率 | 验收 |
|------|--------|--------|-------|------|
| 入门 L1（用起来） | 个人知识库 + 工作台 ≥30 份资料，其中 ≥10 份有 frontmatter | Agent平台 ≥10 份 | ≥60% | 能回答基本项目问题 |
| 进阶 L2（用得顺） | 个人知识库 + 工作台 ≥80 份资料，其中 ≥30 份有 frontmatter | Agent平台 ≥25 份 | ≥70% | 有 frontmatter / metadata + 诊断记录 |
| 高阶 L2+（懂原理） | 完成 1 轮检索模式对比 | Agent平台 进阶或 Dify 演示 | 说明 3 个未命中原因 | 能判断向量/全文/混合检索适用场景 |

下课带走一句话：**「我的知识库现在有 ___ 份文档，命中率从 ___% 提升到了 ___%。」**

## 十二、配套模板与工具讲义

| 材料 | 文件路径 |
|------|----------|
| 资料盘点表 | `/Users/apple/Documents/4.0 Sanyuan/2.4 环境公益"新"力量/course/part-02-knowledge-base/templates/kb_source_inventory.md` |
| frontmatter + metadata 字段表 | `/Users/apple/Documents/4.0 Sanyuan/2.4 环境公益"新"力量/course/part-02-knowledge-base/templates/kb_metadata_schema.md` |
| 10 问命中率测试表 | `/Users/apple/Documents/4.0 Sanyuan/2.4 环境公益"新"力量/course/part-02-knowledge-base/templates/kb_eval_questions.md` |
| 知识库 + 工作台练习 | `/Users/apple/Documents/4.0 Sanyuan/2.4 环境公益"新"力量/course/part-02-knowledge-base/tools/ima_QoderWork_lab.md` |
| Agent平台 知识库练习 | `/Users/apple/Documents/4.0 Sanyuan/2.4 环境公益"新"力量/course/part-02-knowledge-base/tools/yuanqi_kb_lab.md` |
| 检索模式对比 | `/Users/apple/Documents/4.0 Sanyuan/2.4 环境公益"新"力量/course/part-02-knowledge-base/tools/retrieval_mode_comparison.md` |
| Dify 高阶 RAG 练习 | `/Users/apple/Documents/4.0 Sanyuan/2.4 环境公益"新"力量/course/part-02-knowledge-base/tools/dify_advanced_rag_lab.md` |
| 第 2 → 第 3 课交接包 | `/Users/apple/Documents/4.0 Sanyuan/2.4 环境公益"新"力量/course/bridge-materials/templates/02_to_03_kb_agent_handoff.md` |

## 十三、和前后课的衔接

| 课程 | 角色 | 类比 |
|------|------|------|
| 第 1 课 · 技能 | 定义「怎么做」 | 菜谱 |
| **第 2 课 · 知识库**（本课） | 提供「做事素材」 | 食材库 |
| 第 3 课 · AI智能体 | 编排技能 + 知识库 | 厨师 |

下课前，请把本课的知识库范围、合规分级、frontmatter / metadata、10 问命中率和检索参数填入 `第 2 → 第 3 课交接包`。第 3 课会直接用它来挂载知识库和建立项目助理测试问题。

## 十四、下一课预告

技能知道「怎么做」，知识库提供了「弹药」——下一步，把它们编排成一个完整的**项目助理**。第 3 课《AI智能体组装》教你把多个技能和知识库挂到同一个智能体上，让它根据用户意图自动选技能、查知识库、给出回答。