{"id":"18cbcfbc-26f3-4144-8433-9f8e27c9a1ce","shortId":"xGmTCp","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。","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## 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```","tags":["knowledge","rag","native","product","agent","skills","gmaxxxie","agent-skills","ai-agent","ai-native","ai-product","methodology"],"capabilities":["skill","source-gmaxxxie","skill-p7-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/p7-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 (4,245 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":"2026-05-18T18:57:33.569Z","embedding":null,"createdAt":"2026-05-01T01:03:01.508Z","updatedAt":"2026-05-18T18:57:33.569Z","lastSeenAt":"2026-05-18T18:57:33.569Z","tsv":"'-5':406 '0.7':416 '1':80,114,153,172,197,231 '100':501 '138':285 '1周':499 '1季度':497 '2':83,118,157,177,199,270 '2000篇':471 '24小时内':442 '3':86,121,161,181,201,315,329 '3072':332 '4':124,164,185,203,369 '4.0':432 '5':167,190,205,419 '50000':473 '5分':428 '6':207 '6类':465 '7':211 '85':494 '8888':286 'ai':2,6,11,18,61,76,215,461 'ai-native-knowledge-rag':1 'api导出':279 'augment':33 'chunk':474 'confluenc':225,278,466 'elasticsearch存储':339 'embed':328 'faq':220,249,349,498 'generat':34 'ground':44 'knowledg':4 'larg':330 'llm生成':413 'nativ':3,7,12 'p0':243,248 'p1':254,259 'p2':264,269 'pdf':276,468 'pdf文档里':227 'pinecon':477 'postgresql':479 'rag':5,13,26,30,50,63,65,72,78,89,92,94,103,109,112,128,134,138,209 'rag与知识系统设计的实操':9 'rag增强':410 'rbac':486 'retriev':32 'retrieval-aug':31 'skill':10,15,229 'skill-p7-knowledge-rag' 'source-gmaxxxie' 'step1':274 'step2':282 'step3':295 'step4':309 'text':327 'text-embed':326 'token':322,324 'top10':398,402 'top3':387,391,405 'top5':378 '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':490 'wiki':467 'xx省xx市xx区':288 'yaml':272,317,393,421,459 '上下文拼装或行动链路':102 '不仅能检索':38 '不只是接入':507 '不只是检索':509 '不只是能用':513 '不可检索':352,360 '不同角色不应看到同一批材料':123 '不同角色看到不同内容':504 '不同角色看到不同的知识范围':163 '不擅长替代推理':97 '不是一次性':515 '不是万能方案':95 '不是只在关键词层面':116 '不是因为它时髦':74 '不能单独解决':106 '不能长期引用过期资料':120 '与知识系统流程':51 '与知识系统设计':14 '中':253,258,263 '临时活动':266 '之所以重要':73 '产品':19,307 '产品方法论':8 '产品说明书':260 '产品都不可能只依赖模型内部知识':77 '人工维护':445 '人工评分':425 '从':133 '从rag到知识系统':505 '以及什么时候需要升级为完整知识系统':28 '任何一环失真':59 '企业需要把私有知识接入':17 '低':268 '使用场景':16 '使用方式':194 '促销活动规则':265 '保留职位':293 '信息新鲜度':495 '像相关':117 '元数据':480 '元数据索引':340 '先检索相关材料':35 '先检索相关资料':67 '全部公开文档':358 '全量文档':366 '关键词':377,484 '关键词精确匹配':382 '关键词索引':335 '关键词过滤':400 '内容':234 '内部wiki':226 '内部员工名':292 '再把材料提供给模型生成回答的基础机制':36 '再把结果提供给模型生成回答':68 '分块策略':320 '分析资料来源和可用性':198 '判断是否需要从':208 '到':22 '到知识系统':135 '匿名姓名':294 '升级为完整知识系统':210,517 '历史工单':280 '历史工单处理记录':256 '历史文档迁移':451 '反馈驱动':452 '只保留到区':289 '只能解决':104 '召回准确率目标':493 '召回数量':188,373 '召回质量必须可量化评估':166 '召回质量要可评估':125 '召回质量评估':144,422 '可信度':380 '可信源':175 '可信源原则':154 '可信等级':236 '可写':367 '可回溯原则':168 '可检索':348,357,365 '可用资料':174 '可被产品依赖':23 '可评估原则':165 '各物流商政策':245 '向量':478 '向量检索':396 '向量索引':319 '向量维度':331 '哪些是参考来源':156 '哪些角色可以访问哪些知识':150 '哪些资料应该被优先召回':148 '哪些资料是可信源':147 '售后':305 '售后政策文档':238 '商品id':338 '商品详细信息':261 '回答却仍然不可靠':100 '在胡说':62 '地址':287 '场景描述':217 '基于角色的访问控制':487 '失败案例分析':433 '好的':108 '如何处理敏感信息':179 '如何控制访问权限':184 '如何更新知识':193 '如何索引':183 '如何结构化':180 '如何评估召回质量':192 '如何退款':375 '如果检索结果相关性':415 '如果这几件事做不好':127 '如订单号':337 '存储':476 '它就已经不是单纯的':137 '它能有效解决':69 '定时任务':491 '实时':267 '实时可用':444 '实际上增强了噪音':131 '客户隐私案例':354 '客服':462 '客服主管':356 '客服标记':453 '客服案例库':255 '客服知识系统设计':216 '嵌入模型':325 '已超出简单rag范畴':518 '常见问题解答':251 '平均分':431 '建议':516 '张':291 '当产品开始涉及以下方面时':136 '当用户提供企业知识场景时':195 '很容易变成一种':129 '总文档':470 '想整合成ai可用的知识库':228 '我们的客服知识分散在':224 '手机号':284 '打标签':304 '执行流程':230 '持续更新':514 '按主题':298 '按用户角色':409 '排序依据':374 '排序策略':189 '接入优先级':237 '接入快':81 '提取元数据':300 '提示':417 '支持':219 '政策文档':221,496 '敏感信息':500 '敏感信息脱敏':283 '文本提取':277 '文档':250 '文档更新追踪':511 '文档类型':301,341 '文档质量评分':449 '新增faq':443 '新鲜度原则':158 '时间倒序':384 '明确哪些资料是权威来源':155 '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':91 '普通客服':347 '更容易回溯':87 '更新':488 '更新和评估的完整系统':43 '更新方便':84 '更新日期':302 '更新时间':342 '更新机制':438 '更新频率':176,235 '最擅长补充知识':96 '最终都会被用户感知为':60 '有限':383 '未找到相关信息':434 '权限':41,485 '权限原则':162 '权限合规':503 '权限控制':142,508 '权限文档':362 '权限矩阵':345 '权限要清楚':122 '权限过滤':408 '来源':233 '来源数':464 '构建一个完整的客服知识系统':218 '查询类型':371 '标注来源文档id':414 '核心概念':29 '格式统一':275 '案例库':359 '案例库向量检索':390 '案例库等':469 '案例的检索和使用':222 '检索':481 '检索与召回策略':186,370 '检索到但未被采纳的结果':436 '检索召回':55 '检索命中了资料':99 '检索方法':187 '检索策略':372 '检索结果':411 '检索结果不准确':454 '检索结果要相关':115 '模型不知道企业私有信息':70 '模型生成':56 '步骤1':395 '步骤2':399 '步骤3':403 '步骤4':407 '每周':252 '每周抽样评估':423 '每块512':321 '每季度':241 '每季更新':262 '每季评估':448 '每年归档':450 '每日增量':334 '每日新增':257 '每月':246 '每月清洗':446 '活动':308 '流程和业务事实':49 '流程编排和任务执行':98 '混合检索':482 '混合检索策略':394 '清洗与脱敏':53 '清洗与脱敏方案':178,271 '清洗流程':273 '源文档变更':440 '版本':42 '版本管理':143,510 '物流':306 '物流合作手册':244 '物流延误怎么办':385 '物流政策':350 '特殊审批流程':353 '用于精确匹配':336 '用于过滤和排序':344 '用户输入':223 '的三个优势':79 '的基本逻辑是':66 '的最大价值':90 '的查询':435 '的知识系统':24 '的系统':132 '的边界':93 '的边界和局限':27 '的问题':71 '目标':430 '相似度':392 '相关度':379,388 '相关度1':427 '相关度1-5分':426 '看上去增强了知识':130 '真实姓名':290 '真正可被产品依赖的':111 '知识内容要足够新鲜':119 '知识变化后如何更新':149 '知识变化时不必重新训练模型':85 '知识已更新但检索结果仍显示旧版本':437 '知识库可能无相关信息':418 '知识库管理':368 '知识新鲜度':47 '知识更新机制':145 '知识系统':37 '知识系统方案':171,460 '知识系统至少应该回答':146 '知识系统设计原则':152 '知道什么':105 '示例':213,214 '移除过时文档':447 '空内容检测':311 '管理员':364 '精排模型':404 '精筛':401 '系统可以说明它使用了哪些资料':88 '系统如何判断这次知识使用是否真的有效':151 '系统架构':475 '系统能说清楚回答基于哪些资料':169 '系统配置':361 '索引与权限控制':54,316 '索引与权限设计':182 '索引更新':333 '索引策略':318 '索引策略优化':141 '结构化':40 '结构化处理':296 '结构化字段提取':281 '而不是只依赖模型记忆':46 '而不是只靠体感判断':126 '而是因为绝大多数企业':75 '而是在建设知识系统':139 '能搜出来':21 '脱敏':502 '自动分段':297 '自动同步':489 '自动执行':196 '自动更新':439 '自动触发重新索引':441 '至少还需要':110 '至少还需要满足':113 '补充相应知识':457 '角色1':346 '角色2':355 '角色3':363 '解决什么问题':64 '触发人工审核':455 '计算平均召回分':429 '订单12345':381 '让回答建立在被检索到的真实资料之上':45 '设计检索与召回策略':204 '设计清洗与脱敏方案':200 '设计索引与权限控制':202 '设计评估与更新机制':206 '评估与更新':57 '评估与更新机制':191,420 '该怎么做':107 '语义':483 '语义匹配':397 '语义检索':376,386 '责任人':303,343 '质量保证':492 '质量校验':310 '质量评估':512 '资料必须有更新机制':159 '资料整合':463 '资料是否仍然反映当前规则':48 '资料来源':52 '资料来源分析':232 '资料来源清单':173 '资料清洗':506 '资料清洗与结构化':140 '超过1年未更新':314 '输出物':170 '输出知识系统方案':212 '输出结果':458 '过时内容标记':313 '过期资料自动降级':160 '还能处理清洗':39 '这个案例怎么处理':389 '这条链里':58 '退换货规则':240 '退款':239 '适合把已有文档快速转成可问答资产':82 '通用售后规则':351 '重上下文':412 '重叠50':323 '重复内容去重':312 '问题分段':299 '问题可能出在任务理解':101 '随机抽取100个真实查询':424 '需要判断':25 '需要设计从':20 '预计向量化后':472 '高':242,247 '高频未命中查询':456","prices":[{"id":"89fcc60f-f036-4b17-957b-21607370d8f0","listingId":"18cbcfbc-26f3-4144-8433-9f8e27c9a1ce","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":"2026-05-01T01:03:01.508Z"}],"sources":[{"listingId":"18cbcfbc-26f3-4144-8433-9f8e27c9a1ce","source":"github","sourceId":"gmaxxxie/ai-native-product-agent-skills/p7-knowledge-rag","sourceUrl":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p7-knowledge-rag","isPrimary":false,"firstSeenAt":"2026-05-01T01:03:01.508Z","lastSeenAt":"2026-05-18T18:57:33.569Z"}],"details":{"listingId":"18cbcfbc-26f3-4144-8433-9f8e27c9a1ce","quickStartSnippet":null,"exampleRequest":null,"exampleResponse":null,"schema":null,"openapiUrl":null,"agentsTxtUrl":null,"citations":[],"useCases":[],"bestFor":[],"notFor":[],"kindDetails":{"org":"gmaxxxie","slug":"p7-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":"34fddfd1c10824d72cae1f579f733b6b68c308c6","skill_md_path":"skills/p7-knowledge-rag/SKILL.md","default_branch":"main","skill_tree_url":"https://github.com/gmaxxxie/ai-native-product-agent-skills/tree/main/skills/p7-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。"},"skills_sh_url":"https://skills.sh/gmaxxxie/ai-native-product-agent-skills/p7-knowledge-rag"},"updatedAt":"2026-05-18T18:57:33.569Z"}}