定位：知识刮削助手旨在补齐知识从原始位置（工单/文档）到向量知识库之间的自动化链路的空缺。
核心能力：📥 多源接入 → 🤖 智能提取 → 🔄 知识泛化 → 💾 增量/全量更新 → 🔍 向量化同步
多源接入:支持钉钉文档、工单、缺陷、SQL代码等主流平台；
智能提取:基于 LLM 自动阅读内容并提取结构化知识；
知识泛化:将单条 Q&A 扩展为多种提问方式,提升召回率；
适用场景
在大部分 Agent 项目里，一个绕不过去的问题是：知识从哪里来、怎么持续更新。
在日常工作中，大量有价值的知识分散存储在工单系统、文档库、甚至SQL代码等各个平台的各个角落。但 Agent 需要的是一份「结构化、可向量化、可持续维护」的知识库，因此当我们需要构建 Agent 知识库时，这些知识的收集、整理和维护成为了巨大的挑战。
传统做法存在两种路径，但都有明显缺陷：
路径一：人工精细化处理
优势：质量可控，准确性高；问题：耗时耗力，需要定期人工维护更新。
路径二：批量直接导入
问题：切分不准确,知识未泛化,RAG 效果差。
知识收集困难
RAG 召回质量差
维护成本高昂
人工维护：需要专人定期检查更新，响应滞后。
易遗漏：人工操作易遗漏，无法实现实时同步。
一句话总结：跟传统方案相比，本方案完全取代了人工；与文档直接导入知识库对比，本方案可以像人一样，更智能地梳理。
为了弥补知识从原始存储位置（工单/文档等）到AI应用开发平台向量知识库之间的自动化链路空缺，节省梳理知识这种重复性工作的繁重压力，让大家可以聚焦于高价值工作，我设计了这套端到端的自动化方案，并将其封装为 Python 包，确保即使是非技术同学也能开箱即用。
传统的人工知识提取流程通常包含以下步骤:
打开工单空间 → 筛选出未处理过的新工单 → 逐条打开工单 → 阅读内容 → 提取知识 → 借助AI泛化知识 → 写入 ODPS 表/文档 → 传入Agent平台的知识库
要让 AI 自动化完成这一流程,我们采用了拟人化设计思路，工作流部分是"教会 AI 干活"，Python 包部分是"给 AI 派活"。
3.1 教会 AI 干活：给数字员工装上眼、脑和手
如果把 AI 当成一名“数字员工”，要让 TA 真正能上岗干活，至少要配齐三种能力：
用一句话概括：AI 的眼负责“读数据”，脑负责“想清楚”，手负责“做结果落地”。
教会这三件事，AI 已经具备了“岗位能力”，能够作为一名可调度的数字员工参与到工作流程中。
具备能力还不够，TA 还需要知道：
“今天要干什么？从哪里开始？做到什么时候算收工？”
这就需要一个“数字班长”——也就是AI 任务调度系统：
这种模式，其实就是在构建一个通用的"AI 任务调度"思想：人类只需要设计"班次"和规则，AI 数字员工每天按计划自动干活并汇报结果。
基于上述设计思路,我们构建了端到端的自动化链路:：
所有流程均已封装进工作流及 Python 包，用户只需配置参数即可一键运行，无需关心底层实现细节。
为了实现完全自动化，把部分逻辑写在了Python里面，PyODPS节点负责读取文档列表、剔除已处理文档、最终知识写入ODPS。
文档获取 → 增量识别 → AI 智能提取 → 知识泛化 → 写入数据表 → 自动向量化更新
适用场景：需要定期自动更新知识库的长期项目
PyODPS：PyODPS 是 MaxCompute（原ODPS）的 Python SDK，允许通过 Python 代码操作云端数据仓库。对于非阿里云用户可替换为其他数据仓库的 Python SDK（如SPARK），核心逻辑相同。
为了轻量或者单次实现，还可以把循环做到工作流里面，一次性批量处理100篇文档。
手动梳理待处理文档列表 → 循环处理文档 → AI 提取 → 批量写入/汇总输出
适用场景：一次性知识导入或轻量级处理需求。
文档类：
泛化前
Q:支付买家数的定义A:拍下并成功支付的买家去重人数,包含退款买家数
泛化后
{"questions": [ "支付买家数是什么意思?", "支付买家数是怎么定义的?", "已经退款的买家算在支付买家数里吗?", "同一个买家多次支付算几个?", "支付买家数和下单买家数有什么区别?", "为什么支付买家数要去重?", ...共12条 ],"answers": [ "指成功完成支付的买家人数..." ]}
工单类
泛化前：
Q:xx平台标签管理额度30,实际使用28个,为什么提示可使用额度为0?A:有两个下线的标签占用名额导致，但是平台未显示已下线标签
{"questions":[ "为什么我的标签可用额度显示为0,但实际上只用了28个?", "已下线的标签是否还占用标签额度?", "xx产品标签管理显示可使用额度为0,但实际未达到上限,是怎么回事?"],"possible_causes":[ "已下线的标签不会已用额度中剔除..."]}
表格类：
Q&A为索引字段，知识原文、URL、处理人等字段为RAG召回时连带带出内容。
文本类：
现象:做Agent时,50%+的时间在开发/对接工具,而非优化提示词和流程
在实际做 Agent 的过程中，我发现真正耗时的部分并不在提示词工程，也不在流程编排，而是——开发和对接工具。目前平台生态还不算完备，很多能力要自己补齐。与此同时，做 Agent 的同学大多还有本职工作，通常只能利用周末或零碎时间开发。如果还要从零开始造工具，时间成本会被放大好几倍。
好消息是：平台能力在快速完善。去年和今年年初时，很多能力都需要自己搭，现在内部Agent平台上已经有了不少开箱即用的组件。现在再做类似 Agent，成本会比以前低很多。
7.2 工具缺失是最大瓶颈
不是 idea 不够，而是“实现不了”
一句话总结：Agent 效果不理想可以慢慢调，工具缺位则是“寸步难行
身边的同事一般不缺idea，真正的难点往往是——有了想法，却缺少落地所需的“工具”
要接一个外部平台的 SDK，顺利的话一小时，不顺的话能卡一两天天。尤其是：
外部SDK文档不全,参数说明模糊
非技术同学缺乏工程能力,有idea却无法落地
这些事情对我来说已经有挑战了，对非技术同学来说更难，他们有很多非常实用、非常有价值的 idea，因为缺少对应工具，根本没法落地。
7.3 工具开发一定要“反复可用”，避免一次性定制化
我一开始做工具时，只想着“这次能跑起来就行”，典型做法是：只写当前任务用得上的参数，其他场景先不管
某些逻辑为了省事直接写死在代码里
这样做短期非常快，Agent 能尽快上线。但问题是：
当你想把工具分享给其他人用时，会发现：
对方的场景参数一变，这个工具就不适配
为了通用化，还得自己回来重构和二次开发
后来我意识到：写工具的目标不是“解决这一次”，而是“支撑一类问题”。能沉淀成通用能力，就尽量不要写成只服务某一个脚本的“拼接代码”。
因为 Agent 的制作时间紧、任务重，最怕的就是每个人都在重复造轮子，而不是把主要的精力放在优化agent的效果上。
建议行动:把做好的工具/agent/工作流上架到内部的AI应用开发平台社区
你的工具可能成为别人Agent的关键能力。大家共建生态、互惠互利、希望以后开发agent可以更加轻松。
在实际使用中，向量召回经常会遇到一个现实问题：
用户问的是口语化、多角度问题；
知识库里存的是高度书面化、单一表达的文档描述；
结果就是：语义距离算出来不够近，召回效果偏弱；
我目前在用的两类解决思路：
前置泛化(本文方案)
召回后质检
在 Agent 中单独设一个“知识质检节点”，负责：
修改/重写用户问题，多次尝试召回；
对召回知识进行相关性判断和“可信度打分”；
必要时过滤掉相关性不够高的知识；
这两层处理叠加后，实际 RAG 体验会好很多。
本文的基础流程可以抽象为三步：
获取待处理对象列表 → AI 逐条读取与处理 → 结果汇总写入
AI阅读SQL提取知识
既然 AI 能够“读文档 + 提取知识”，那完全可以把“文档”替换为其他对象，例如 SQL 代码。
恰好作者这里已经有一套可以“读 SQL 代码”的工具，只需要简单修改工作流，复用Python包，即可实现AI读代码
读取 SQL 脚本，从中提取：指标口径、表间关系、关键业务字段、常见风控/过滤逻辑等知识。
应用：构建 NL2SQL、链路排查、逻辑确认等能力的知识库。
AI自动处理新工单
同上面一样，略微改动提示词和流程，就可以把对象从“文档”切换为“工单”，实现例如：
按小时调度Pyodps任务——自动识别新工单——调用AI处理工单——将AI结果回写为工单评论
在这个基础上，还可以搭建一个“工单自动流转器”：
自动识别新工单 → AI 分析问题类型 → 自动流转给对应负责人 / 团队
从简单岗位到复杂工种
在本文中，我们更多是让 AI 扮演“知识整理员”——负责自动读文档、提取知识、泛化问法、写入知识库。这其实只是一个单步骤岗位。
这套“眼-脑-手”的思路，可以扩展到更复杂的任务，例如：
AI自动处理工单、AI存储治理
AI 自动读取工单+评论、查日志、执行 SQL查询、接口排查，数据逐层排查、调用知识库、输出结论、评论工单
作者在今年6月份，借助这套调度器+复杂的AI存储治理工作流，把整个数据产品下面几乎所有的表和节点都扫了一遍、借助AI治理了xxPB，将整个产品的ODPS存储降了接近50%，远超往年。
多 AI 协作与质检
任务调度系统也可以做到更严谨，比如：
新增一个AI 作为“监工”，专门做质量检测、异常识别。
创建gpt、claude、qwen三个Agent，重要任务可以让 3 个 AI 并行处理，采用多数投票或最保守答案策略。
（只需要微改Python包，新增函数即可轻松实现）
抽象一下，本文的“AI 工作流 + 调度”的思路可以复用到很多场景：
1. 把业务流程拆成若干“岗位步骤”（如：拉取 → 分析 → 决策 → 写入）；
2. 给每个步骤配置好 AI 的“眼 / 脑 / 手”；
3. 用调度系统 + 工作流 / 提示词，把这些步骤串成一条自动化流水线；
4. 在关键节点插入“监工 AI”，负责质检、异常回退、告警通知；
这样一来，我们不是在做一个孤立的 Agent，而是在搭建一个可扩展的 AI 数字员工团队。
随着业务复杂度增大，部分场景对知识库的要求已经超出了AI应用开发平台自带向量库可配置范围，例如：
更灵活的多字段索引与过滤
自定义相似度计算策略
与现有业务库的深度集成
更实时的知识更新要求
在这类场景下，我们团队正在探索基于 PostgreSQL 自建向量数据库（结合 pgvector 等扩展），来支撑。
对于简单场景，AI应用开发平台自带向量库已经足够友好、快捷；当你发现配置项不够用时，自建向量库是一个值得考虑的升级选项。
通过构建“自动提取 → 智能泛化 → 增量更新 → 向量化同步”的全链路自动化 pipeline，有效解决了 Agent 知识库建设中的三大顽疾：
收集难 → 自动化采集
质量差 → AI 泛化增强
维护繁 → 增量定时同步
更重要的是，我们将复杂的逻辑封装成简单易用的Python包和工作流，大幅降低使用门槛，希望可以帮助到你们。
尽管在工具集成过程中遇到了诸多挑战，但最终的效果证明：每一次“卡住”，都是通往自动化的必经之路