本文拆解企业用 WorkBuddy 搭建知识库的思路:写一份标书烧约 40 元 token 仍不如 20 元成品,差距在知识库。对比云端与本地私有化两条路径,详解 FastGPT、Dify、MaxKB、RagFlow 选型要点,附政企、制造、研发落地案例。适合想用 AI 提效的团队,提醒合同金额仍需人工核对。
Tags:大家好,我是陈凡,40岁在职中年带娃大叔,深耕FDE 企业服务赛道。
就在几天前,工作室做了个开发投标标书 Agent 的 FDE 单子,经过三天的调研和开发,第一版终于成型。
在给客户演示的时候,一份标书 800 页 30W 字光 token 就烧了小 40 块,结果写出来的标书,客户直接一句:我要的是突破,要的是标书写的好,不是和我现在写出来的水平一样。
后面加紧修改了两天,客户始终不满意,甚至都干不过网上SAAS 平台上 20 块一份的成品。
开始以为是模型不够强,换了 GPT 6 不行,又觉得是指令没调好,把提示词翻来覆去重写了十几版,感觉还是差一截。
反反复复拆了好几轮,头发都愁白了一小嘬,最后才看清:我和它差的,不是模型,不是提示词,而是知识库。
网上的 SAAS 平台背后有个“标书的知识库”,它萃取了几百个资深标书顾问的撰写逻辑,起码攒了千万份中标案例,配合一套行业规则库。
它写标书,是从这个库里掏出来的,每个评分点、每个废标项、每句行业套话,都被喂透了。
而我拿 40 块的 token,去拼人家几年攒出来的库,所以我们一开始就根本不在一个量级上。
缺的从来不是更强的模型,是别人攒了几年甚至十几年的业务经验知识库
— 同样的模型,喂不喂知识库,产出是两个水平
无独有偶,AI 编程圈的大厂早就用数据证明了。
GitHub Copilot 和 Cursor 两大 AI 编程巨头,干了同一件事:
为了让大模型更好的理解你的代码,在你敲下 /init 的同时,它们就把你的整个代码库索引成向量,让 AI 快速读懂你的项目,等你提问或动手写时就变得事半功倍。
GitHub Copilot经过实测,只是从代码库里快速定位代码和文件位置,把这步做扎实了,单单 C# 项目的程序员的使用量就涨了 110%,而他们更愿意的就是直接用 AI 完成代码开发。Cursor 也做了个 A/B 对照实验,它们给 AI 装上通过语义搜索找代码的本事,这比通过关键词硬搜,生生的把 AI 回答的准确率提高了 12.5%。
说白了,同一个模型,提前喂不喂代码库,产出的效果就是两个水平。
而我们用 WorkBuddy 提效,知识库就是必不可少的资料索引库,能让回答的准确率提升一大截,每个答案都有据可查,接下来我就从头拆给你。
01
PART
模型再强,也没学过你公司的资料
MODEL · 知识盲区
要说这两年 AI 最大的变化,当然 AI 大模型的飞速发展算一个,而 Skill和 Agent出现直接让 AI 从动嘴到动手的过程、它能读写你的文档、调你的本地工具、跑你固定好的流程,甚至几个 Agent 把过去一个团队的活儿都能揽下来。
甚至你丢给它一个文件夹,说“把这些报销单按月份和项目归好类”,它自己拆任务、读文件、建目录、写汇总,五分钟干完你原来一下午的活。
可它再能打,也有绕不过去的坎:大模型是在公开数据的基础上训练出来的,通用知识它都懂;你的偏好和习惯,它几次沟通通过记忆系统也能给你摸透,而且聊得越久越懂你;但你公司的制度文件、产品文档、行业数据、历史项目,这些从没进过它的训练集,它压根不知道长什么样。
你问它“按我们公司的流程,报销怎么走”,它要是没读过你的制度,只能给你编一个“通用流程”,这也是领导们觉得 AI 傻的重要原因。
企业不缺 AI 算力,缺的是它抽屉里那堆没喂出去的资料
说了这么多,其实这就是知识库要干的活:把模型没学过、但你需要它知道的那部分资料喂进去,让它回答得有据可依、能溯源、能落到你的文件上。以前知识库是个人的收资料库,只对个人学习工作帮助大;但在企业面前它是弹药库,Agent 每一次触发,都得优先定位它没学过的知识。
那为什么说,企业知识库必须搞,主要就这三个理由:
第一 · 模型有边界
知识库补上大模型不知道的私有资料。公司制度、产品手册、行业规则,这些是模型的盲区,喂给它,它才答得出来。
第二 · 通用答案难落地
知识库让大模型基于私有资料说话,同时能快速精准定位问题答案。你问它“按我们公司的流程,报销怎么走”,它读过你的制度文件,每一条都能落到你的文件上,还能给你指出处。
第三 · 知识持续复利
把企业的知识做成持续复利。今天踩的坑、整理的方法论、做过的方案,散在硬盘里就是一堆文件,收拢进知识库,会在明天、下个月、明年依然能持续迭代,持续提升效率。
资料散着是企业成本,收拢了才是企业资产
02
PART
先分清两派:你的数据在哪,就接哪一路
TWO PATHS · 云端与本地
WorkBuddy 能接的知识库非常多,按企业数据的保密性,咱分两派:
数据是企业的命根子,是自家的家底,所以第一步不是研究哪个产品好用,是先想清楚:这堆资料,到底能不能上云,涉密吗?
涉密,或者有数据主权,直接接入本地派,别犹豫。
不涉密,就选云端派,存储方便还能共享,如果需要多人协作,那腾讯文档和资料库更顺手。
✦ 云端派 · 接入路径
— 数据授权上云,AI 读、写、回写一条链
✦ 本地派 · 私有化部署
— 涉密数据锁在公司机房,API / MCP 对接不出去
03
PART
云端派:腾讯自家生态,一键授权最省事
CLOUD · 腾讯生态
云端派是腾讯自家的生态,最大的好处是无缝对接。只需要授权一下,它就能读、能回写,不用折腾插件和 MCP,最适合图省事还要协作的团队。
下面这四个,咱挨个说:
资料库 Library:是 WorkBuddy 自带的云端空间,包括本地文件、在线办公文档、多媒体、网页链接,甚至任务产出的 MD、CSV、HTML,都能收进同一个文件目录。团队开辟个空间,几个人就可以共用一套资料,做完的东西自动保存,实现知识复利。但他的容量并不大,从体验版 5GB 到旗舰版 50GB,可以按需选。
ima 知识库:是腾讯一款集“搜、读、写”一体的个人 AI 知识工作台,包括:公众号文章、网页、图片、PDF 都能往里收,分个人、共享、订阅三类。即使你自己搭建的一套 ima 知识库,也可以通过订阅让别人访问,非常方便。
乐享知识库:主要面对的就是企业,它能够多源连接、权限感知、智能治理,把公司那堆散在各部门的资料,变成能检索、能复用的资产。它最值钱的地方在权限控制:谁能看什么、能查什么、边界设置的清清楚楚。
腾讯文档:是目前在线文档接入的最短路径,授权后将原先存在自己账号下的在线文档、表格、PPT、脑图等直接自动调用,AI 读完还能实时保存。
云端派要的是“随手可用”,代价是数据在别人服务器上
04
PART
数据要留在自己机房,四款开源知识库怎么选
ON-PREMISE · 四款开源
说回文档涉密,公司制度、客户数据、没脱敏的招标文件都是不能轻易上云的,这些东西光放本地文件夹发挥不出效果的,所以企业真正要的,是私有化部署一套属于自己的知识库问答平台。
现在圈里能打的开源方案可以看看四款,没有排序,主要还是看需求:FastGPT、Dify、MaxKB、RagFlow。
| MaxKB | |||
| FastGPT | |||
| Dify | |||
| RagFlow |
这四款接 WorkBuddy 都可以通:
MaxKB 有官方现成方案,WorkBuddy 直接调它的接口,一键同步文档、自动建智能体;
RagFlow 走官方 MCP Server,连接器里填个地址就通;
Dify 用模型桥接,填 API Key 和知识库 ID 就行;
FastGPT 也支持双向 MCP。
所以选型其实就一句话,看你的文档的存取需求是什么样、技术团队是什么水平。
标准办公文件 → MaxKB
文档是标准办公文件,团队没专职运维,就选 MaxKB,五分钟就装好,直接对接企业微信,如果面对政企做信创要求,也只有它有原生适配。
合同财报扫描件 → RagFlow
文档是合同、财报、扫描件这类硬骨头,就选 RagFlow。它的版面还原和 OCR 是四款里顶尖的,别人啃不动可以选择它。
多步骤工作流 → Dify
团队有开发能力,要的不只是简单的问答查询,而是多步骤工作流产出,那就选 Dify,任务编排和插件的生态最全。
客服 FAQ 问答 → FastGPT
如果就想把客服 FAQ 这类问答做到准确,就选 FastGPT,它的 QA 拆分模式在客服场景命中率非常高。
这里注意:想做知识库迁移,千万别想着一步到位,先挑一个最痛的业务场景,比如制度查询或客服 FAQ,把那一小块资料接进去跑通,再迭代业务逐步扩大。
本地派要的就是主权,但代价是得你自己运维
05
PART
光说没用,看四个真实行业怎么落地
CASES · 四行业落地
到这儿道理是讲透了,但真正落到地上才有用,我们一起看看下面四类真实行业是怎么应用知识库的:
— 内容创作 / 政企交付 / 制造业 / 软件研发
自媒体内容创作
知识库是我这套公众号打法的必不可少的元素,风格、写法、排版、历史爆文、爆款选题、故事集锦,全沉淀进了知识库和技能里。每次找好选题写文前,先让 AI 帮我翻我的风格规则、历史爆文、素材库,然后动手写,出来的东西全部围绕着我的 IP;没这套知识底座,你敢让 AI 写十篇,十篇就都一个模子,读者马上一眼看穿。
政企私有化交付
银行、政务、医院、学校这类客户,数据就是命根子,立项第一条就是数据不出内网。知识库只能私有化部署在客户自己机房,制度、病历、审批记录全留在本地,AI 只能在授权范围内读写。河南有家医药技师学院给全校搭 AI 助手,教务、学工、迎新这些数据全锁在校内机房,数据全落本地。这既具备效率,也是合规红线。
制造业现场
工厂最头疼的事是设备半夜出故障,工程师又不在场,而长虹用 RAG 把三十多年攒下的设备维修经验全部喂进知识库,封装成维修智能体,现场的工程师只要一问,AI 直接给出精准的排查步骤,据内部实测故障诊断时长从 40 分钟直接压缩到 3 分钟,根因准确率更是达到了 95%,一个知识库就能把老师傅几十年的经验完美复刻,让新入职的工程师都能快速发现问题。
软件研发团队
以前开发团队最值钱的就是知识和经验,但它们却都在老员工的脑子里储存着,人一走经验马上就带走,别说交接,大多数公司的交接基本都是走个形式。我一个朋友所在公司,一个 30 多人的研发团队,核心架构师刚交接离职,结果当晚就发生多节点缓存击穿的问题,根本没人接得住,因为系统设计、接口约定、踩坑记录全散在架构师的本地文件和聊天里,单单上手就要 4 周,至此被定型为生产事故,如果当时架构师把规范喂进知识库,AI 编程先查规范再动手,即使人离职了,知识传承依然还在。
所以你看,这四个场景,行业不同,痛点不同,但底层是一回事:把散在人和文件里的经验,变成 AI 随时能调的资产。
但话说回来,知识库也不是万能的,你得注意:
如果知识库查不到也照样会编,哪怕它读到了你的文档,但匹配程度过低偶尔会造成无中生有胡言乱语的问题,所以涉及金额、合同、验收等,必须人工核对。
知识库能降低幻觉,但消灭不了幻觉,判断那一下,永远得人自己来
06
PART
用 FDE 的思路看这件事,我给你四条建议
FDE · 四条建议
做了半年 FDE,我越来越觉得,知识库落地这事,难点从来不在选工具上,而是要把下面四件事做漂亮,才能顺利交付。
— 边界规划 / 小范围测试 / 迭代机制 / 资料清洗
先把边界规划清楚。哪些资料进库、哪些不进,涉密的留本地,公开的走云端。如果边界不清,越到后面坑越多,甚至可能出合规事故,所以这是红线,千万别图省事。
先小范围测试跑通。别一上来就想建完善的企业级知识库,那样做大概率烂尾。先挑一个最疼的场景,比如客服 FAQ、新人培训,接进去,跑通读、加工、回写这条路,拿到客户的真实反馈后,再慢慢铺开。
形成完整的迭代机制。建库没有终点,才能保证知识库的可用性,所以持续投喂、高频复用,用智能体反哺优化知识库的结构,它才会越用越值钱。
资料入库前先洗一遍。别什么文档都往库里灌,先去重、删过期、纠错、脱敏,再按部门、类别、密级打好标签,分块也别一刀切的 512,按标题段落切,表格别切碎。这步虽然看着繁琐,但知识库质量每提升一成,检索准确率平均能涨 8 到 12 个点,比事后调模型划算得多。
企业落地知识库,难的不是工具,是边界
说到底,FDE 的护城河,不是你会不会用 AI,是你把每一次交付中积累的东西,沉淀成了别人拿不走的方法和资产,而知识库就是这套资产的地基。客户买的从来不是一次交付,是能源源不断把 AI 落地跑通的能力,而这能力大概率就藏在构建好的知识库里。
///
LAST
写到最后
CONCLUSION
回到开头那个问题。Agent 时代,什么最值钱?不是模型,不是算力,是你手里那堆别人没有的资产和经验,以及把它顺利喂给 AI 的本事。
接下来的大模型可能会越来越智能,工具也会越来越顺手,而唯独你的业务数据、你的经验、你的判断,是 AI 练不出来的东西。
知识库从来都不是收藏夹,是让 Agent 替你干活的料仓,存进去不算本事,能用的起来才是
接下来去挑一个你生活工作中最痛的场景,把最常翻的那几十份资料扔进去,涉密就做私有化部署,不涉密就走云端,先跑通一次「读、加工、回写」,这比看十篇教程都管用。
没有评论:
发表评论