{"id":"4e9c8325-1691-4966-b926-c98467ea957c","shortId":"GjRXkY","kind":"skill","title":"ai-native-knowledge-rag","tagline":"AI Native 产品方法论——RAG与知识系统设计的实操 Skill。\n用户提供企业知识场景，Skill 自动执行知识系统设计流程：\n资料来源分析 → 清洗与脱敏 → 索引与权限控制 → 检索召回 → 评估与更新 → 输出知识系统方案。\n基于《AI Native 产品方法论》第15章。","description":"# AI Native RAG 与知识系统设计 Skill\n\n## 使用场景\n\n- 企业需要把私有知识接入 AI 产品\n- 需要设计从\"能搜出来\"到\"可被产品依赖\"的知识系统\n- 需要判断 RAG 的边界和局限，以及什么时候需要升级为完整知识系统\n\n## 触发条件\n\n当用户提到以下任一场景时触发：\n- 需要把企业私有知识接入 AI 产品\n- 设计 RAG 系统的分块、向量化、检索策略\n- 评估知识系统的召回质量和幻觉率\n- 从\"能搜出来\"升级到\"可被产品依赖\"的知识架构\n\n## 执行步骤\n\n1. **资料来源分析**：盘点可用资料来源，评估可信等级、更新频率和接入优先级。\n2. **清洗与脱敏**：统一格式、脱敏敏感信息、结构化处理（分段/元数据/标签）、质量校验。\n3. **索引与权限控制**：设计向量索引（分块策略/嵌入模型）、关键词索引和元数据索引，建立角色权限矩阵。\n4. **检索与召回策略**：设计混合检索策略（语义+关键词+精排），确定召回数量和排序依据。\n5. **评估与更新机制**：建立召回质量评估体系、失败案例分析流程、自动/人工更新机制和反馈驱动的知识补充流程。\n6. **输出知识系统方案**：整合资料清单、清洗方案、索引设计、检索策略和评估机制，判断是否需要从 RAG 升级为完整知识系统。\n\n## 核心概念\n\n- **RAG（Retrieval-Augmented Generation）**：先检索相关材料，再把材料提供给模型生成回答的基础机制\n- **知识系统**：不仅能检索，还能处理清洗、结构化、权限、版本、更新和评估的完整系统\n- **Grounding**：让回答建立在被检索到的真实资料之上，而不是只依赖模型记忆\n- **知识新鲜度**：资料是否仍然反映当前规则、流程和业务事实\n\n## RAG 与知识系统流程\n\n```\n资料来源\n  → 清洗与脱敏\n    → 索引与权限控制\n      → 检索召回\n        → 模型生成\n          → 评估与更新\n```\n\n这条链里，任何一环失真，最终都会被用户感知为\"AI 在胡说\"。\n\n## RAG 解决什么问题\n\nRAG 的基本逻辑是：先检索相关资料，再把结果提供给模型生成回答。它能有效解决\"模型不知道企业私有信息\"的问题。\n\nRAG 之所以重要，不是因为它时髦，而是因为绝大多数企业 AI 产品都不可能只依赖模型内部知识。\n\n## RAG 的三个优势\n\n1. **接入快**：适合把已有文档快速转成可问答资产\n2. **更新方便**：知识变化时不必重新训练模型\n3. **更容易回溯**：系统可以说明它使用了哪些资料\n\nRAG 的最大价值，是让企业知识第一次以相对低成本的方式进入模型工作链。\n\n## RAG 的边界\n\nRAG 不是万能方案：\n\n- 最擅长补充知识，不擅长替代推理、流程编排和任务执行\n- 检索命中了资料，回答却仍然不可靠——问题可能出在任务理解、上下文拼装或行动链路\n- RAG 只能解决\"知道什么\"，不能单独解决\"该怎么做\"\n\n## 好的 RAG 至少还需要\n\n真正可被产品依赖的 RAG，至少还需要满足：\n\n1. **检索结果要相关**：不是只在关键词层面\"像相关\"\n2. **知识内容要足够新鲜**：不能长期引用过期资料\n3. **权限要清楚**：不同角色不应看到同一批材料\n4. **召回质量要可评估**：而不是只靠体感判断\n\n如果这几件事做不好，RAG 很容易变成一种\"看上去增强了知识、实际上增强了噪音\"的系统。\n\n## 从 RAG 到知识系统\n\n当产品开始涉及以下方面时，它就已经不是单纯的 RAG，而是在建设知识系统：\n\n- 资料清洗与结构化\n- 索引策略优化\n- 权限控制\n- 版本管理\n- 召回质量评估\n- 知识更新机制\n\n### 知识系统至少应该回答\n\n- 哪些资料是可信源\n- 哪些资料应该被优先召回\n- 知识变化后如何更新\n- 哪些角色可以访问哪些知识\n- 系统如何判断这次知识使用是否真的有效\n\n## 知识系统设计原则\n\n1. **可信源原则**：明确哪些资料是权威来源，哪些是参考来源\n2. **新鲜度原则**：资料必须有更新机制，过期资料自动降级\n3. **权限原则**：不同角色看到不同的知识范围\n4. **可评估原则**：召回质量必须可量化评估\n5. **可回溯原则**：系统能说清楚回答基于哪些资料\n\n## 输出物：知识系统方案\n\n1. **资料来源清单**：可用资料、可信源、更新频率\n2. **清洗与脱敏方案**：如何处理敏感信息、如何结构化\n3. **索引与权限设计**：如何索引、如何控制访问权限\n4. **检索与召回策略**：检索方法、召回数量、排序策略\n5. **评估与更新机制**：如何评估召回质量、如何更新知识\n\n## 使用方式\n\n当用户提供企业知识场景时，自动执行：\n\n1. 分析资料来源和可用性\n2. 设计清洗与脱敏方案\n3. 设计索引与权限控制\n4. 设计检索与召回策略\n5. 设计评估与更新机制\n6. 判断是否需要从 RAG 升级为完整知识系统\n7. 输出知识系统方案\n\n## 示例\n\n### 示例：AI 客服知识系统设计\n\n**场景描述**：\n构建一个完整的客服知识系统，支持 FAQ、政策文档、案例的检索和使用。\n\n**用户输入**：\n\"我们的客服知识分散在 Confluence、内部Wiki、PDF文档里，想整合成AI可用的知识库\"\n\n**Skill 执行流程**：\n\n1. **资料来源分析**\n\n| 来源 | 内容 | 更新频率 | 可信等级 | 接入优先级 |\n|------|------|----------|----------|------------|\n| 售后政策文档 | 退款、退换货规则 | 每季度 | 高 | P0 |\n| 物流合作手册 | 各物流商政策 | 每月 | 高 | P0 |\n| FAQ 文档 | 常见问题解答 | 每周 | 中 | P1 |\n| 客服案例库 | 历史工单处理记录 | 每日新增 | 中 | P1 |\n| 产品说明书 | 商品详细信息 | 每季更新 | 中 | P2 |\n| 促销活动规则 | 临时活动 | 实时 | 低 | P2 |\n\n2. **清洗与脱敏方案**\n\n```yaml\n清洗流程:\n  Step1. 格式统一:\n    - PDF → 文本提取\n    - Confluence → API导出\n    - 历史工单 → 结构化字段提取\n    \n  Step2. 敏感信息脱敏:\n    - 手机号: 138****8888\n    - 地址: XX省XX市XX区（只保留到区）\n    - 真实姓名: 张**\n    - 内部员工名: 保留职位，匿名姓名\n    \n  Step3. 结构化处理:\n    - 自动分段：按主题/问题分段\n    - 提取元数据：文档类型、更新日期、责任人\n    - 打标签：售后/物流/产品/活动\n    \n  Step4. 质量校验:\n    - 空内容检测\n    - 重复内容去重\n    - 过时内容标记（超过1年未更新）\n```\n\n3. **索引与权限控制**\n\n```yaml\n索引策略:\n  \n  向量索引:\n    - 分块策略: 每块512 tokens，重叠50 tokens\n    - 嵌入模型: text-embedding-3-large\n    - 向量维度: 3072\n    - 索引更新: 每日增量\n    \n  关键词索引:\n    - 用于精确匹配（如订单号、商品ID）\n    - Elasticsearch存储\n    \n  元数据索引:\n    - 文档类型、更新时间、责任人\n    - 用于过滤和排序\n\n权限矩阵:\n  \n  角色1_普通客服:\n    - 可检索: FAQ、物流政策、通用售后规则\n    - 不可检索: 特殊审批流程、客户隐私案例\n    \n  角色2_客服主管:\n    - 可检索: 全部公开文档 + 案例库\n    - 不可检索: 系统配置、权限文档\n    \n  角色3_管理员:\n    - 可检索: 全量文档\n    - 可写: 知识库管理\n```\n\n4. **检索与召回策略**\n\n| 查询类型 | 检索策略 | 召回数量 | 排序依据 |\n|----------|----------|----------|----------|\n| \"如何退款\" | 语义检索+关键词 | Top5 | 相关度+可信度 |\n| \"订单12345\" | 关键词精确匹配 | 有限 | 时间倒序 |\n| \"物流延误怎么办\" | 语义检索 | Top3 | 相关度 |\n| \"这个案例怎么处理\" | 案例库向量检索 | Top3 | 相似度 |\n\n```yaml\n混合检索策略:\n  步骤1: 向量检索（语义匹配）→ Top10\n  步骤2: 关键词过滤（精筛）→ Top10\n  步骤3: 精排模型 → Top3-5\n  步骤4: 权限过滤（按用户角色）\n  \nRAG增强:\n  - 检索结果 + 重上下文 → LLM生成\n  - 标注来源文档ID\n  - 如果检索结果相关性<0.7，提示\"知识库可能无相关信息\"\n```\n\n5. **评估与更新机制**\n\n```yaml\n召回质量评估:\n  \n  每周抽样评估:\n    - 随机抽取100个真实查询\n    - 人工评分：相关度1-5分\n    - 计算平均召回分\n    - 目标：平均分>4.0\n    \n  失败案例分析:\n    - \"未找到相关信息\"的查询\n    - 检索到但未被采纳的结果\n    - 知识已更新但检索结果仍显示旧版本\n\n更新机制:\n  \n  自动更新:\n    - 源文档变更 → 自动触发重新索引（24小时内）\n    - 新增FAQ → 实时可用\n    \n  人工维护:\n    - 每月清洗：移除过时文档\n    - 每季评估：文档质量评分\n    - 每年归档：历史文档迁移\n    \n  反馈驱动:\n    - 客服标记\"检索结果不准确\" → 触发人工审核\n    - 高频未命中查询 → 补充相应知识\n```\n\n**输出结果**：\n\n```yaml\n# 知识系统方案：AI 客服\n\n资料整合:\n  来源数: 6类（Confluence、Wiki、PDF、案例库等）\n  总文档: ~2000篇\n  预计向量化后: ~50000 chunks\n\n系统架构:\n  存储: Pinecone（向量）+ PostgreSQL（元数据）\n  检索: 混合检索（语义+关键词）\n  权限: RBAC（基于角色的访问控制）\n  更新: 自动同步（WebHook+定时任务）\n\n质量保证:\n  - 召回准确率目标: >85%\n  - 信息新鲜度: 政策文档<1季度，FAQ<1周\n  - 敏感信息: 100%脱敏\n  - 权限合规: 不同角色看到不同内容\n\n从RAG到知识系统:\n  ✓ 资料清洗（不只是接入）\n  ✓ 权限控制（不只是检索）\n  ✓ 版本管理（文档更新追踪）\n  ✓ 质量评估（不只是能用）\n  ✓ 持续更新（不是一次性）\n\n建议: 升级为完整知识系统（已超出简单RAG范畴）\n```\n\n---\n\n### 示例：企业内部研发知识库构建\n\n**场景描述**：\n一家中型 SaaS 公司的研发团队需要构建内部技术知识库，将散落在 Confluence、GitHub Wiki、飞书文档和代码注释中的技术方案、架构决策记录（ADR）、故障复盘报告整合为 AI 可检索的知识系统，支持研发人员快速查询历史技术决策和故障处理经验。\n\n**用户输入**：\n\"我们研发团队有大量技术文档分散在 Confluence、GitHub Wiki 和飞书里，每次查历史故障或架构决策都要翻好几个地方。想做一个内部知识助手，但不确定该从哪开始、怎么保证检索出来的内容是最新可信的。\"\n\n**Skill 执行流程**：\n\n1. **资料来源分析**\n\n| 来源 | 内容类型 | 更新频率 | 可信等级 | 接入优先级 |\n|------|----------|----------|----------|------------|\n| ADR 文档（Confluence） | 架构决策记录 | 每月新增 | 高——权威来源 | P0 |\n| 故障复盘报告（飞书） | 故障根因、修复方案 | 每次故障后 | 高——事后校验 | P0 |\n| 技术方案文档（Confluence） | 系统设计方案 | 季度更新 | 高 | P0 |\n| GitHub Wiki | 组件使用说明 | 不定期 | 中——可能过时 | P1 |\n| 代码注释 / README | 接口说明、配置指南 | 随代码变更 | 中 | P1 |\n| 飞书群聊记录 | 讨论片段、临时方案 | 实时 | 低——需提炼 | P2 |\n\n2. **清洗与脱敏方案**\n\n```yaml\n清洗流程:\n  Step1. 格式统一:\n    - Confluence → REST API 导出 HTML → Markdown\n    - GitHub Wiki → Git clone → Markdown\n    - 飞书文档 → API 导出 → Markdown\n    - 代码注释 / README → 直接读取\n    - 飞书群聊 → 过滤机器人消息、合并同一话题线程\n\n  Step2. 敏感信息脱敏:\n    - 内部域名/IP: 替换为 <internal-host>\n    - 密钥/Token: 全量移除\n    - 客户名称: 替换为客户A/B/C\n    - 员工工号/手机号: 匿名化\n\n  Step3. 结构化处理:\n    - ADR: 提取「背景-决策-后果」三段式元数据\n    - 故障报告: 提取「时间线-根因-修复-预防」结构\n    - 自动打标签: 架构/故障/运维/安全/性能\n\n  Step4. 质量校验:\n    - 过时标记: 超过18个月未更新的文档降级\n    - 重复检测: 同一主题多文档时保留可信等级最高的版本\n    - 空白/模板文档过滤\n```\n\n3. **索引与权限控制**\n\n```yaml\n索引策略:\n  向量索引:\n    - 分块策略: 每块 512 tokens，重叠 80 tokens（技术文档逻辑连贯性要求高）\n    - 嵌入模型: text-embedding-3-large\n    - 按文档类型分区: adr / postmortem / tech-design / wiki / code\n\n  关键词索引:\n    - 服务名、组件名、错误码等精确匹配\n    - Elasticsearch 存储\n\n  元数据索引:\n    - 文档类型、创建时间、最后更新时间、作者、关联服务\n\n权限矩阵:\n  角色1_初级研发:\n    - 可检索: 公开技术方案、ADR、组件文档\n    - 不可检索: 故障报告中的敏感根因、安全相关文档\n\n  角色2_高级研发/TL:\n    - 可检索: 全部技术文档 + 故障报告\n    - 不可检索: 人力成本等管理类文档\n\n  角色3_架构师/管理员:\n    - 可检索: 全量文档\n    - 可写: 知识库元数据管理、可信源配置\n```\n\n4. **检索与召回策略**\n\n```yaml\n混合检索策略:\n  步骤1: 向量检索（语义匹配）→ Top10\n  步骤2: 关键词过滤（服务名/组件名精确匹配）→ 补充召回\n  步骤3: 精排模型（按相关度 + 可信等级 + 新鲜度加权）→ Top5\n  步骤4: 权限过滤（按用户角色）\n\n查询示例:\n  \"订单服务之前挂过几次，根因是什么\":\n    → 语义检索故障报告 → 按服务名过滤 → 时间倒序\n\n  \"为什么当初选了 Kafka 而不是 RabbitMQ\":\n    → 语义检索 ADR → 关键词匹配技术栈 → Top3\n\n  \"支付模块的限流配置怎么改\":\n    → 语义检索技术方案 + 代码 README → Top5\n```\n\n5. **评估与更新机制**\n\n```yaml\n召回质量评估:\n  每周自动评估:\n    - 从真实查询日志抽取 50 条\n    - 研发人员标记「有用/部分有用/无用」\n    - 目标: 有用率 > 80%\n\n  失败案例分析:\n    - 查询命中但内容过时 → 触发文档新鲜度检查\n    - 查询未命中但知识确实存在 → 优化分块或嵌入策略\n    - 同一问题反复查询 → 标记为需要补充知识条目\n\n更新机制:\n  自动:\n    - Confluence 文档变更 Webhook → 24小时内重新索引\n    - GitHub Wiki push → 触发增量索引\n  人工:\n    - 每季度: 整体文档质量审核\n    - 故障发生后: 72小时内复盘报告必须入库\n```\n\n**输出结果**：\n\n```yaml\n# 知识系统方案：研发知识库\n\n资料整合:\n  来源数: 6类（ADR、故障报告、技术方案、Wiki、代码文档、群聊提炼）\n  总文档: ~3500篇\n  预计向量化后: ~80000 chunks\n\n系统架构:\n  存储: Milvus（向量）+ PostgreSQL（元数据）+ Elasticsearch（关键词）\n  检索: 混合检索（语义 + 关键词 + 精排）\n  权限: RBAC（基于角色）\n  更新: Webhook 驱动 + 定时全量校验\n\n质量保证:\n  - 召回有用率目标: >80%\n  - 信息新鲜度: ADR/故障报告 < 1季度，组件文档 < 6个月\n  - 敏感信息: 100%脱敏（密钥、内部域名、客户信息）\n  - 权限合规: 初级研发不可见安全文档和敏感故障根因\n\n从RAG到知识系统:\n  ✓ 资料清洗（多源格式统一 + 结构化提取）\n  ✓ 权限控制（按研发角色分级）\n  ✓ 版本管理（ADR 决策追踪、文档过时降级）\n  ✓ 质量评估（周度自动抽样 + 失败案例分析）\n  ✓ 持续更新（Webhook 驱动增量索引）\n\n建议: 升级为完整知识系统（涉及清洗、权限、版本、评估全链路）\n```\n\n---\n\n### 示例：多源合规文档检索系统\n\n**场景描述**：\n一家金融科技公司需要构建合规知识检索系统，将监管法规、内部合规手册、审计报告和监管问询答复等多源文档整合起来，供合规团队、业务团队和法务团队按权限检索。核心挑战是：法规更新频繁、不同岗位权限差异大、回答必须可回溯到原始法规条文。\n\n**用户输入**：\n\"我们合规部门每天要查大量监管文件，包括银保监会发文、内部合规手册和审计报告。这些文档分散在不同系统里，而且监管规则经常更新。希望能做一个合规知识助手，不同角色看到的内容不一样，回答必须标注出处。\"\n\n**Skill 执行流程**：\n\n1. **资料来源分析**\n\n| 来源 | 内容类型 | 更新频率 | 可信等级 | 接入优先级 |\n|------|----------|----------|----------|------------|\n| 监管法规（银保监会/央行官网） | 正式法规、通知 | 不定期（高频） | 最高——权威来源 | P0 |\n| 内部合规手册 | 合规解读、操作指南 | 每季度 | 高——经法务审核 | P0 |\n| 审计报告 | 审计发现、整改要求 | 每年 + 专项 | 高 | P1 |\n| 监管问询答复 | 历史答复模板 | 每次问询后 | 高——经审批 | P1 |\n| 行业案例汇编 | 处罚案例、同业经验 | 每月更新 | 中——参考来源 | P2 |\n| 内部培训材料 | 合规培训课件 | 每季度 | 中 | P2 |\n\n2. **清洗与脱敏方案**\n\n```yaml\n清洗流程:\n  Step1. 格式统一:\n    - 监管法规 PDF → OCR + 文本提取 → 按条款分段\n    - 合规手册 Word → 结构化提取 → 按章节分段\n    - 审计报告 → 提取「发现-风险等级-整改建议」结构\n    - 问询答复 → 提取「问题-答复-依据」三段式\n\n  Step2. 敏感信息脱敏:\n    - 客户名称/账户信息: 全量替换\n    - 内部系统名称: 抽象化处理\n    - 具体金额（涉及客户）: 脱敏\n\n  Step3. 结构化处理:\n    - 法规: 提取文号、发布日期、生效日期、适用范围\n    - 审计报告: 提取审计期间、审计类型、风险等级\n    - 自动打标签: 反洗钱/消费者保护/资本管理/信息披露/操作风险\n\n  Step4. 质量校验:\n    - 法规有效性校验: 是否已被废止或修订\n    - 新旧版本比对: 标注修订内容\n    - 冲突检测: 内部手册与最新法规是否一致\n```\n\n3. **索引与权限控制**\n\n```yaml\n索引策略:\n  向量索引:\n    - 分块策略: 按法规条款级别分块（平均 256 tokens），保留条款编号作为上下文\n    - 嵌入模型: text-embedding-3-large（法律领域微调版本优先）\n    - 按文档类型分区: regulation / manual / audit / case\n\n  关键词索引:\n    - 法规文号、条款号精确匹配\n    - 关键合规术语（如\"反洗钱\"\"KYC\"\"资本充足率\"）\n\n  元数据索引:\n    - 文号、发布机构、生效日期、废止状态、适用业务线\n    - 用于法规有效性和适用范围过滤\n\n权限矩阵:\n  角色1_业务人员:\n    - 可检索: 合规操作指南、通用法规摘要、培训材料\n    - 不可检索: 审计报告全文、监管问询答复、处罚案例细节\n\n  角色2_合规专员:\n    - 可检索: 全部法规 + 合规手册 + 审计报告 + 问询答复\n    - 不可检索: 底稿、原始数据\n\n  角色3_法务/合规总监:\n    - 可检索: 全量文档\n    - 可写: 合规解读、知识库管理\n\n  角色4_审计人员:\n    - 可检索: 全量只读\n    - 特殊: 可查看历史版本和变更记录\n```\n\n4. **检索与召回策略**\n\n```yaml\n混合检索策略:\n  步骤1: 向量检索 → Top10\n  步骤2: 关键词过滤（法规文号/条款号精确匹配）→ 补充召回\n  步骤3: 有效性过滤（排除已废止法规）\n  步骤4: 精排（相关度 + 可信等级 + 生效日期加权）→ Top5\n  步骤5: 权限过滤（按用户角色）\n\n查询示例:\n  \"个人贷款的资金用途限制有哪些最新规定\":\n    → 语义检索法规 → 过滤已废止 → 按发布日期排序 → Top5\n    → 每条结果标注: 法规名称、文号、条款号、生效日期\n\n  \"去年审计发现的反洗钱问题整改得怎么样了\":\n    → 语义检索审计报告 + 关键词\"反洗钱\" → 按审计时间排序\n    → 关联检索整改记录\n\n  \"同业因为消费者保护被罚的案例有哪些\":\n    → 语义检索行业案例 → 标签过滤\"消费者保护\" → 按时间排序\n```\n\n5. **评估与更新机制**\n\n```yaml\n召回质量评估:\n  每周抽样:\n    - 抽取 80 条真实合规查询\n    - 合规专员评分: 法规引用是否准确（1-5分）\n    - 重点评估: 法规有效性（是否引用了已废止法规）\n    - 目标: 引用准确率 > 95%，废止法规命中率 < 1%\n\n  失败案例分析:\n    - 引用了已废止法规 → 优化有效性过滤逻辑\n    - 检索到了法规但未找到具体条款 → 优化分块粒度\n    - 业务人员查询未命中 → 补充合规解读文档\n\n更新机制:\n  自动:\n    - 监管官网爬虫 → 新法规发布 4 小时内入库\n    - 法规废止/修订 → 自动标记旧版本 + 触发手册一致性检查\n  人工:\n    - 法务团队: 新法规发布后 48 小时内完成合规解读\n    - 每季度: 内部合规手册与最新法规交叉校验\n    - 审计报告: 审计结束后 1 周内入库\n```\n\n**输出结果**：\n\n```yaml\n# 知识系统方案：合规文档检索系统\n\n资料整合:\n  来源数: 6类（监管法规、合规手册、审计报告、问询答复、案例、培训材料）\n  总文档: ~12000篇（含历史法规版本）\n  活跃文档: ~4500篇（排除已废止）\n  预计向量化后: ~120000 chunks\n\n系统架构:\n  存储: Milvus（向量）+ PostgreSQL（元数据 + 版本链）+ Elasticsearch（关键词）\n  检索: 混合检索（语义 + 关键词 + 有效性过滤 + 精排）\n  权限: RBAC + ABAC（基于角色 + 基于文档属性）\n  更新: 监管爬虫 + 法务人工审核双通道\n\n质量保证:\n  - 法规引用准确率目标: >95%\n  - 废止法规命中率: <1%\n  - 信息新鲜度: 监管法规 < 4小时，合规手册 < 48小时\n  - 权限合规: 业务人员不可见审计报告和问询答复\n  - 可回溯性: 100%回答标注法规名称、文号和条款号\n\n从RAG到知识系统:\n  ✓ 资料清洗（法规条款级结构化 + 有效性校验）\n  ✓ 权限控制（四级角色 + 文档属性双重过滤）\n  ✓ 版本管理（法规修订链 + 废止标记 + 历史版本可查）\n  ✓ 质量评估（引用准确率 + 废止过滤率双重指标）\n  ✓ 持续更新（监管爬虫实时抓取 + 法务人工解读）\n  ✓ 与其他系统联动（上下文工程 + 记忆系统）\n\n建议: 升级为完整知识系统（合规场景对准确性、时效性和可回溯性要求极高，远超简单 RAG 范畴）\n```","tags":["native","knowledge","rag","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology"],"capabilities":["skill","source-gmaxxxie","skill-ai-native-knowledge-rag","topic-agent-skills","topic-ai-agent","topic-ai-native","topic-ai-product","topic-methodology","topic-product-management","topic-product-methodology","topic-product-thinking","topic-skills"],"categories":["ai-native-product-agent-skills"],"synonyms":[],"warnings":[],"endpointUrl":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/ai-native-knowledge-rag","protocol":"skill","transport":"skills-sh","auth":{"type":"none","details":{"cli":"npx skills add gmaxxxie/ai-native-product-agent-skills","source_repo":"https://github.com/gmaxxxie/ai-native-product-agent-skills","install_from":"skills.sh"}},"qualityScore":"0.478","qualityRationale":"deterministic score 0.48 from registry signals: · indexed on github topic:agent-skills · 56 github stars · SKILL.md body (10,820 chars)","verified":false,"liveness":"unknown","lastLivenessCheck":null,"agentReviews":{"count":0,"score_avg":null,"cost_usd_avg":null,"success_rate":null,"latency_p50_ms":null,"narrative_summary":null,"summary_updated_at":null},"enrichmentModel":"deterministic:skill-github:v1","enrichmentVersion":1,"enrichedAt":"2026-05-18T18:57:24.184Z","embedding":null,"createdAt":"2026-05-01T01:02:49.931Z","updatedAt":"2026-05-18T18:57:24.184Z","lastSeenAt":"2026-05-18T18:57:24.184Z","tsv":"'-5':480,1231 '/b/c':709 '/ip':702 '/tl':795 '/token':705 '0.7':490 '1':60,154,188,227,246,271,305,622,988,1230,1240,1267,1318 '100':575,935,1327 '120000':1289 '12000篇':1283 '138':359 '1周':573 '1季度':571,931 '2':65,157,192,231,251,273,344,672,1037 '2000篇':545 '24小时内':516 '24小时内重新索引':877 '256':1109 '3':74,160,195,235,255,275,389,403,744,761,1101,1116 '3072':406 '3500篇':901 '4':81,198,238,259,277,443,809,1174,1252 '4.0':506 '4500篇':1286 '48':1261 '48小时':1323 '4小时':1321 '5':88,241,264,279,493,850,1220 '50':856 '50000':547 '512':751 '5分':502 '6':94,281 '6个月':933 '6类':539,893,1275 '7':285 '72小时内复盘报告必须入库':886 '80':754,864,927,1226 '80000':903 '85':568 '8888':360 '95':1238,1316 'abac':1308 'adr':605,629,715,764,788,842,894,929,949 'ai':2,6,21,25,32,46,135,150,289,535,607 'ai-native-knowledge-rag':1 'api':680,690 'api导出':353 'audit':1122 'augment':107 'case':1123 'chunk':548,904,1290 'clone':687 'code':770 'confluenc':299,352,540,600,612,631,646,678,874 'design':768 'elasticsearch':775,911,1298 'elasticsearch存储':413 'embed':402,760,1115 'faq':294,323,423,572 'generat':108 'git':686 'github':601,613,651,684,878 'ground':118 'html':682 'kafka':838 'knowledg':4 'kyc':1130 'larg':404,762,1117 'llm生成':487 'manual':1121 'markdown':683,688,692 'milvus':907,1293 'nativ':3,7,22,26 'ocr':1045 'p0':317,322,636,644,650,1004,1011 'p1':328,333,657,664,1018,1024 'p2':338,343,671,1031,1036 'pdf':350,542,1044 'pdf文档里':301 'pinecon':551 'postgresql':553,909,1295 'postmortem':765 'push':880 'rabbitmq':840 'rag':5,27,40,49,101,104,124,137,139,146,152,163,166,168,177,183,186,202,208,212,283,1355 'rag与知识系统设计的实操':9 'rag增强':484 'rbac':560,919,1307 'readm':659,694,848 'regul':1120 'rest':679 'retriev':106 'retrieval-aug':105 'saa':597 'skill':10,12,29,303,620,986 'skill-ai-native-knowledge-rag' 'source-gmaxxxie' 'step1':348,676,1041 'step2':356,699,1066 'step3':369,713,1076 'step4':383,736,1093 'tech':767 'tech-design':766 'text':401,759,1114 'text-embed':400,758,1113 'token':396,398,752,755,1110 'top10':472,476,816,1180 'top3':461,465,479,844 'top5':452,827,849,1194,1203 'topic-agent-skills' 'topic-ai-agent' 'topic-ai-native' 'topic-ai-product' 'topic-methodology' 'topic-product-management' 'topic-product-methodology' 'topic-product-thinking' 'topic-skills' 'webhook':564,876,922,956 'wiki':541,602,614,652,685,769,879,897 'word':1049 'xx省xx市xx区':362 'yaml':346,391,467,495,533,674,746,811,852,888,1039,1103,1176,1222,1270 '一家中型':596 '一家金融科技公司需要构建合规知识检索系统':967 '三段式':1065 '三段式元数据':721 '上下文工程':1348 '上下文拼装或行动链路':176 '不仅能检索':112 '不只是接入':581 '不只是检索':583 '不只是能用':587 '不可检索':426,434,790,799,1146,1157 '不同岗位权限差异大':975 '不同角色不应看到同一批材料':197 '不同角色看到不同内容':578 '不同角色看到不同的知识范围':237 '不同角色看到的内容不一样':984 '不定期':654,1000 '不擅长替代推理':171 '不是一次性':589 '不是万能方案':169 '不是只在关键词层面':190 '不是因为它时髦':148 '不能单独解决':180 '不能长期引用过期资料':194 '与其他系统联动':1347 '与知识系统流程':125 '与知识系统设计':28 '专项':1016 '业务人员':1141 '业务人员不可见审计报告和问询答复':1325 '业务人员查询未命中':1246 '业务团队和法务团队按权限检索':972 '个人贷款的资金用途限制有哪些最新规定':1199 '中':327,332,337,655,663,1029,1035 '临时方案':667 '临时活动':340 '为什么当初选了':837 '之所以重要':147 '事后校验':643 '产品':33,47,381 '产品方法论':8,23 '产品说明书':334 '产品都不可能只依赖模型内部知识':151 '人力成本等管理类文档':800 '人工':882,1258 '人工更新机制和反馈驱动的知识补充流程':93 '人工维护':519 '人工评分':499 '从':54,207 '从rag到知识系统':579,942,1330 '从真实查询日志抽取':855 '代码':847 '代码文档':898 '代码注释':658,693 '以及什么时候需要升级为完整知识系统':42 '任何一环失真':133 '企业内部研发知识库构建':594 '企业需要把私有知识接入':31 '优化分块或嵌入策略':869 '优化分块粒度':1245 '优化有效性过滤逻辑':1243 '但不确定该从哪开始':618 '低':342,669 '作者':781 '使用场景':30 '使用方式':268 '供合规团队':971 '依据':1064 '促销活动规则':339 '保留条款编号作为上下文':1111 '保留职位':367 '信息披露':1091 '信息新鲜度':569,928,1319 '修复':727 '修复方案':640 '修订':1255 '像相关':191 '元数据':71,554,910,1296 '元数据索引':414,777,1132 '先检索相关材料':109 '先检索相关资料':141 '全部公开文档':432 '全部技术文档':797 '全部法规':1153 '全量只读':1171 '全量文档':440,805,1164 '全量替换':1070 '全量移除':706 '公司的研发团队需要构建内部技术知识库':598 '公开技术方案':787 '关联服务':782 '关联检索整改记录':1214 '关键合规术语':1127 '关键词':85,451,558,912,916,1211,1299,1303 '关键词匹配技术栈':843 '关键词精确匹配':456 '关键词索引':409,771,1124 '关键词索引和元数据索引':79 '关键词过滤':474,818,1182 '具体金额':1073 '内容':308 '内容类型':625,991 '内部wiki':300 '内部合规手册':969,1005 '内部合规手册与最新法规交叉校验':1264 '内部合规手册和审计报告':980 '内部员工名':366 '内部域名':701,938 '内部培训材料':1032 '内部手册与最新法规是否一致':1100 '内部系统名称':1071 '再把材料提供给模型生成回答的基础机制':110 '再把结果提供给模型生成回答':142 '冲突检测':1099 '决策':719 '决策追踪':950 '分':1232 '分块策略':77,394,749,1106 '分析资料来源和可用性':272 '分段':70 '创建时间':779 '初级研发':785 '初级研发不可见安全文档和敏感故障根因':941 '判断是否需要从':100,282 '到':36 '到知识系统':209 '包括银保监会发文':979 '匿名化':712 '匿名姓名':368 '升级为完整知识系统':102,284,591,959,1351 '升级到':56 '历史工单':354 '历史工单处理记录':330 '历史文档迁移':525 '历史版本可查':1340 '历史答复模板':1020 '原始数据':1159 '去年审计发现的反洗钱问题整改得怎么样了':1209 '参考来源':1030 '反洗钱':1088,1129,1212 '反馈驱动':526 '发布日期':1080 '发布机构':1134 '发现':1055 '发现-风险等级-整改建议':1054 '只保留到区':363 '只能解决':178 '召回准确率目标':567 '召回数量':262,447 '召回有用率目标':926 '召回质量必须可量化评估':240 '召回质量要可评估':199 '召回质量评估':218,496,853,1223 '可信度':454 '可信源':249 '可信源原则':228 '可信源配置':808 '可信等级':310,627,825,993,1192 '可写':441,806,1165 '可回溯原则':242 '可回溯性':1326 '可查看历史版本和变更记录':1173 '可检索':422,431,439,786,796,804,1142,1152,1163,1170 '可检索的知识系统':608 '可用资料':248 '可能过时':656 '可被产品依赖':37,57 '可评估原则':239 '各物流商政策':319 '合并同一话题线程':698 '合规专员':1151 '合规专员评分':1228 '合规场景对准确性':1352 '合规培训课件':1033 '合规总监':1162 '合规手册':1048,1154,1277,1322 '合规操作指南':1143 '合规文档检索系统':1272 '合规解读':1006,1166 '同一主题多文档时保留可信等级最高的版本':741 '同一问题反复查询':870 '同业因为消费者保护被罚的案例有哪些':1215 '同业经验':1027 '后果':720 '向量':552,908,1294 '向量化':51 '向量检索':470,814,1179 '向量索引':393,748,1105 '向量维度':405 '含历史法规版本':1284 '员工工号':710 '周内入库':1268 '周度自动抽样':953 '和飞书里':615 '哪些是参考来源':230 '哪些角色可以访问哪些知识':224 '哪些资料应该被优先召回':222 '哪些资料是可信源':221 '售后':379 '售后政策文档':312 '商品id':412 '商品详细信息':335 '四级角色':1335 '回答却仍然不可靠':174 '回答必须可回溯到原始法规条文':976 '回答必须标注出处':985 '回答标注法规名称':1328 '在胡说':136 '地址':361 '场景描述':291,595,966 '培训材料':1145,1281 '基于':20 '基于文档属性':1310 '基于角色':920,1309 '基于角色的访问控制':561 '处罚案例':1026 '处罚案例细节':1149 '多源合规文档检索系统':965 '多源格式统一':944 '央行官网':997 '失败案例分析':507,865,954,1241 '失败案例分析流程':91 '好的':182 '如':1128 '如何处理敏感信息':253 '如何控制访问权限':258 '如何更新知识':267 '如何索引':257 '如何结构化':254 '如何评估召回质量':266 '如何退款':449 '如果检索结果相关性':489 '如果这几件事做不好':201 '如订单号':411 '存储':550,776,906,1292 '季度更新':648 '它就已经不是单纯的':211 '它能有效解决':143 '安全':734 '安全相关文档':792 '定时任务':565 '定时全量校验':924 '实时':341,668 '实时可用':518 '实际上增强了噪音':205 '审计人员':1169 '审计发现':1013 '审计报告':1012,1052,1083,1155,1265,1278 '审计报告全文':1147 '审计报告和监管问询答复等多源文档整合起来':970 '审计类型':1085 '审计结束后':1266 '客户信息':939 '客户名称':707,1068 '客户隐私案例':428 '客服':536 '客服主管':430 '客服标记':527 '客服案例库':329 '客服知识系统设计':290 '密钥':704,937 '导出':681,691 '将散落在':599 '将监管法规':968 '小时内入库':1253 '小时内完成合规解读':1262 '嵌入模型':78,399,757,1112 '已超出简单rag范畴':592 '希望能做一个合规知识助手':983 '常见问题解答':325 '平均':1108 '平均分':505 '底稿':1158 '废止标记':1339 '废止法规命中率':1239,1317 '废止状态':1136 '废止过滤率双重指标':1343 '建立召回质量评估体系':90 '建立角色权限矩阵':80 '建议':590,958,1350 '引用了已废止法规':1242 '引用准确率':1237,1342 '张':365 '当产品开始涉及以下方面时':210 '当用户提供企业知识场景时':269 '当用户提到以下任一场景时触发':44 '很容易变成一种':203 '怎么保证检索出来的内容是最新可信的':619 '性能':735 '总文档':544,900,1282 '想做一个内部知识助手':617 '想整合成ai可用的知识库':302 '我们合规部门每天要查大量监管文件':978 '我们的客服知识分散在':298 '我们研发团队有大量技术文档分散在':611 '手机号':358,711 '打标签':378 '执行步骤':59 '执行流程':304,621,987 '技术文档逻辑连贯性要求高':756 '技术方案':896 '技术方案文档':645 '抽取':1225 '抽象化处理':1072 '持续更新':588,955,1344 '按主题':372 '按发布日期排序':1202 '按审计时间排序':1213 '按文档类型分区':763,1119 '按时间排序':1219 '按服务名过滤':835 '按条款分段':1047 '按法规条款级别分块':1107 '按用户角色':483,830,1197 '按相关度':824 '按研发角色分级':947 '按章节分段':1051 '排序依据':448 '排序策略':263 '排除已废止':1287 '排除已废止法规':1188 '接入优先级':311,628,994 '接入快':155 '接口说明':660 '提取':716,723,1053,1060 '提取元数据':374 '提取审计期间':1084 '提取文号':1079 '提示':491 '操作指南':1007 '操作风险':1092 '支付模块的限流配置怎么改':845 '支持':293 '支持研发人员快速查询历史技术决策和故障处理经验':609 '政策文档':295,570 '故障':732 '故障发生后':885 '故障复盘报告':637 '故障复盘报告整合为':606 '故障报告':722,798,895,930 '故障报告中的敏感根因':791 '故障根因':639 '敏感信息':574,934 '敏感信息脱敏':357,700,1067 '整体文档质量审核':884 '整合资料清单':96 '整改建议':1057 '整改要求':1014 '文号':1133,1206 '文号和条款号':1329 '文本提取':351,1046 '文档':324,630 '文档变更':875 '文档属性双重过滤':1336 '文档更新追踪':585 '文档类型':375,415,778 '文档质量评分':523 '文档过时降级':951 '新增faq':517 '新旧版本比对':1097 '新法规发布':1251 '新法规发布后':1260 '新鲜度加权':826 '新鲜度原则':232 '无用':861 '时效性和可回溯性要求极高':1353 '时间倒序':458,836 '时间线':725 '时间线-根因-修复-预防':724 '明确哪些资料是权威来源':229 '是否已被废止或修订':1096 '是否引用了已废止法规':1235 '是让企业知识第一次以相对低成本的方式进入模型工作链':165 '普通客服':421 '更容易回溯':161 '更新':562,921,1311 '更新和评估的完整系统':117 '更新方便':158 '更新日期':376 '更新时间':416 '更新机制':512,872,1248 '更新频率':250,309,626,992 '更新频率和接入优先级':64 '替换为':703 '替换为客户a':708 '最后更新时间':780 '最擅长补充知识':170 '最终都会被用户感知为':134 '最高':1002 '有效性校验':1333 '有效性过滤':1187,1304 '有用':859 '有用率':863 '有限':457 '服务名':772,819 '未找到相关信息':508 '权威来源':635,1003 '权限':115,559,918,961,1306 '权限原则':236 '权限合规':577,940,1324 '权限控制':216,582,946,1334 '权限文档':436 '权限矩阵':419,783,1139 '权限要清楚':196 '权限过滤':482,829,1196 '条':857 '条款号':1207 '条款号精确匹配':1126,1184 '条真实合规查询':1227 '来源':307,624,990 '来源数':538,892,1274 '构建一个完整的客服知识系统':292 '架构':731 '架构决策记录':604,632 '架构师':802 '查询命中但内容过时':866 '查询未命中但知识确实存在':868 '查询示例':831,1198 '查询类型':445 '标注修订内容':1098 '标注来源文档id':488 '标签':72 '标签过滤':1217 '标记为需要补充知识条目':871 '核心挑战是':973 '核心概念':103 '根因':726 '根因是什么':833 '格式统一':349,677,1042 '案例':1280 '案例库':433 '案例库向量检索':464 '案例库等':543 '案例的检索和使用':296 '检索':555,913,1300 '检索与召回策略':82,260,444,810,1175 '检索到了法规但未找到具体条款':1244 '检索到但未被采纳的结果':510 '检索召回':17,129 '检索命中了资料':173 '检索方法':261 '检索策略':52,446 '检索策略和评估机制':99 '检索结果':485 '检索结果不准确':528 '检索结果要相关':189 '模型不知道企业私有信息':144 '模型生成':130 '模板文档过滤':743 '正式法规':998 '步骤1':469,813,1178 '步骤2':473,817,1181 '步骤3':477,822,1186 '步骤4':481,828,1189 '步骤5':1195 '每周':326 '每周抽样':1224 '每周抽样评估':497 '每周自动评估':854 '每块':750 '每块512':395 '每季度':315,883,1008,1034,1263 '每季更新':336 '每季评估':522 '每年':1015 '每年归档':524 '每日增量':408 '每日新增':331 '每月':320 '每月新增':633 '每月更新':1028 '每月清洗':520 '每条结果标注':1204 '每次故障后':641 '每次查历史故障或架构决策都要翻好几个地方':616 '每次问询后':1021 '法务':1161 '法务人工审核双通道':1313 '法务人工解读':1346 '法务团队':1259 '法律领域微调版本优先':1118 '法规':1078 '法规修订链':1338 '法规名称':1205 '法规废止':1254 '法规引用准确率目标':1315 '法规引用是否准确':1229 '法规文号':1125,1183 '法规更新频繁':974 '法规有效性':1234 '法规有效性校验':1095 '法规条款级结构化':1332 '活动':382 '活跃文档':1285 '流程和业务事实':123 '流程编排和任务执行':172 '消费者保护':1089,1218 '涉及客户':1074 '涉及清洗':960 '混合检索':556,914,1301 '混合检索策略':468,812,1177 '清洗与脱敏':15,66,127 '清洗与脱敏方案':252,345,673,1038 '清洗方案':97 '清洗流程':347,675,1040 '源文档变更':514 '版本':116,962 '版本管理':217,584,948,1337 '版本链':1297 '物流':380 '物流合作手册':318 '物流延误怎么办':459 '物流政策':424 '特殊':1172 '特殊审批流程':427 '生效日期':1081,1135,1208 '生效日期加权':1193 '用于法规有效性和适用范围过滤':1138 '用于精确匹配':410 '用于过滤和排序':418 '用户提供企业知识场景':11 '用户输入':297,610,977 '的三个优势':153 '的基本逻辑是':140 '的最大价值':164 '的查询':509 '的知识架构':58 '的知识系统':38 '的系统':206 '的边界':167 '的边界和局限':41 '的问题':145 '监管官网爬虫':1250 '监管法规':995,1043,1276,1320 '监管爬虫':1312 '监管爬虫实时抓取':1345 '监管问询答复':1019,1148 '盘点可用资料来源':62 '目标':504,862,1236 '直接读取':695 '相似度':466 '相关度':453,462,1191 '相关度1':501 '相关度1-5分':500 '看上去增强了知识':204 '真实姓名':364 '真正可被产品依赖的':185 '知识内容要足够新鲜':193 '知识变化后如何更新':223 '知识变化时不必重新训练模型':159 '知识已更新但检索结果仍显示旧版本':511 '知识库元数据管理':807 '知识库可能无相关信息':492 '知识库管理':442,1167 '知识新鲜度':121 '知识更新机制':219 '知识系统':111 '知识系统方案':245,534,889,1271 '知识系统至少应该回答':220 '知识系统设计原则':226 '知道什么':179 '研发人员标记':858 '研发知识库':890 '确定召回数量和排序依据':87 '示例':287,288,593,964 '移除过时文档':521 '空内容检测':385 '空白':742 '第15章':24 '答复':1063 '管理员':438,803 '精排':86,917,1190,1305 '精排模型':478,823 '精筛':475 '系统可以说明它使用了哪些资料':162 '系统如何判断这次知识使用是否真的有效':225 '系统架构':549,905,1291 '系统的分块':50 '系统能说清楚回答基于哪些资料':243 '系统设计方案':647 '系统配置':435 '索引与权限控制':16,75,128,390,745,1102 '索引与权限设计':256 '索引更新':407 '索引策略':392,747,1104 '索引策略优化':215 '索引设计':98 '组件使用说明':653 '组件名':773 '组件名精确匹配':820 '组件文档':789,932 '经审批':1023 '经法务审核':1010 '结构':729,1058 '结构化':114 '结构化处理':69,370,714,1077 '结构化字段提取':355 '结构化提取':945,1050 '统一格式':67 '群聊提炼':899 '而不是':839 '而不是只依赖模型记忆':120 '而不是只靠体感判断':200 '而且监管规则经常更新':982 '而是因为绝大多数企业':149 '而是在建设知识系统':213 '背景':718 '背景-决策-后果':717 '能搜出来':35,55 '脱敏':576,936,1075 '脱敏敏感信息':68 '自动':92,873,1249 '自动分段':371 '自动同步':563 '自动打标签':730,1087 '自动执行':270 '自动执行知识系统设计流程':13 '自动更新':513 '自动标记旧版本':1256 '自动触发重新索引':515 '至少还需要':184 '至少还需要满足':187 '范畴':1356 '行业案例汇编':1025 '补充召回':821,1185 '补充合规解读文档':1247 '补充相应知识':531 '角色1':420,784,1140 '角色2':429,793,1150 '角色3':437,801,1160 '角色4':1168 '解决什么问题':138 '触发人工审核':529 '触发增量索引':881 '触发手册一致性检查':1257 '触发文档新鲜度检查':867 '触发条件':43 '计算平均召回分':503 '订单12345':455 '订单服务之前挂过几次':832 '讨论片段':666 '让回答建立在被检索到的真实资料之上':119 '记忆系统':1349 '设计':48 '设计向量索引':76 '设计检索与召回策略':278 '设计混合检索策略':83 '设计清洗与脱敏方案':274 '设计索引与权限控制':276 '设计评估与更新机制':280 '评估与更新':18,131 '评估与更新机制':89,265,494,851,1221 '评估全链路':963 '评估可信等级':63 '评估知识系统的召回质量和幻觉率':53 '该怎么做':181 '语义':84,557,915,1302 '语义匹配':471,815 '语义检索':450,460,841 '语义检索审计报告':1210 '语义检索技术方案':846 '语义检索故障报告':834 '语义检索法规':1200 '语义检索行业案例':1216 '责任人':377,417 '账户信息':1069 '质量保证':566,925,1314 '质量校验':73,384,737,1094 '质量评估':586,952,1341 '资料必须有更新机制':233 '资料整合':537,891,1273 '资料是否仍然反映当前规则':122 '资料来源':126 '资料来源分析':14,61,306,623,989 '资料来源清单':247 '资料清洗':580,943,1331 '资料清洗与结构化':214 '资本充足率':1131 '资本管理':1090 '超过18个月未更新的文档降级':739 '超过1年未更新':388 '输出物':244 '输出知识系统方案':19,95,286 '输出结果':532,887,1269 '过时内容标记':387 '过时标记':738 '过期资料自动降级':234 '过滤已废止':1201 '过滤机器人消息':697 '运维':733 '还能处理清洗':113 '这个案例怎么处理':463 '这些文档分散在不同系统里':981 '这条链里':132 '远超简单':1354 '退换货规则':314 '退款':313 '适合把已有文档快速转成可问答资产':156 '适用业务线':1137 '适用范围':1082 '通用售后规则':425 '通用法规摘要':1144 '通知':999 '部分有用':860 '配置指南':661 '重上下文':486 '重叠':753 '重叠50':397 '重复内容去重':386 '重复检测':740 '重点评估':1233 '银保监会':996 '错误码等精确匹配':774 '问询答复':1059,1156,1279 '问题':1062 '问题-答复-依据':1061 '问题分段':373 '问题可能出在任务理解':175 '随代码变更':662 '随机抽取100个真实查询':498 '需提炼':670 '需要判断':39 '需要把企业私有知识接入':45 '需要设计从':34 '预计向量化后':546,902,1288 '预防':728 '风险等级':1056,1086 '飞书':638 '飞书文档':689 '飞书文档和代码注释中的技术方案':603 '飞书群聊':696 '飞书群聊记录':665 '驱动':923 '驱动增量索引':957 '高':316,321,634,642,649,1009,1017,1022 '高级研发':794 '高频':1001 '高频未命中查询':530","prices":[{"id":"03abfe79-e5a3-44d4-bf8e-a25987089ff3","listingId":"4e9c8325-1691-4966-b926-c98467ea957c","amountUsd":"0","unit":"free","nativeCurrency":null,"nativeAmount":null,"chain":null,"payTo":null,"paymentMethod":"skill-free","isPrimary":true,"details":{"org":"gmaxxxie","category":"ai-native-product-agent-skills","install_from":"skills.sh"},"createdAt":"2026-05-01T01:02:49.931Z"}],"sources":[{"listingId":"4e9c8325-1691-4966-b926-c98467ea957c","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/ai-native-knowledge-rag","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/ai-native-knowledge-rag","isPrimary":false,"firstSeenAt":"2026-05-01T01:02:49.931Z","lastSeenAt":"2026-05-18T18:57:24.184Z"}],"details":{"listingId":"4e9c8325-1691-4966-b926-c98467ea957c","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"ai-native-knowledge-rag","github":{"repo":"gmaxxxie/ai-native-product-agent-skills","stars":56,"topics":["agent-skills","ai-agent","ai-native","ai-product","methodology","product-management","product-methodology","product-thinking","skills"],"license":null,"html_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills","pushed_at":"2026-05-06T07:19:36Z","description":"AI Native Product Methodology — 80 executable skills across P0-P14 stages, covering needs discovery to aesthetic authority. From 8 books.","skill_md_sha":"bd77d1c5ba9df2f7cea80720ca2f2c1b009b06c4","skill_md_path":"skills/ai-native-knowledge-rag/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/ai-native-knowledge-rag"},"layout":"multi","source":"github","category":"ai-native-product-agent-skills","frontmatter":{"name":"ai-native-knowledge-rag","description":"AI Native 产品方法论——RAG与知识系统设计的实操 Skill。\n用户提供企业知识场景，Skill 自动执行知识系统设计流程：\n资料来源分析 → 清洗与脱敏 → 索引与权限控制 → 检索召回 → 评估与更新 → 输出知识系统方案。\n基于《AI Native 产品方法论》第15章。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/ai-native-knowledge-rag"},"updatedAt":"2026-05-18T18:57:24.184Z"}}