跳到主要内容

从输出数据,
到输出知识与 Token

把压在库里的内容做成结构化、能溯源、可计费的知识服务。还是那一套平台: 人用工作台,系统用 API,AI 用 MCP。

先看平台怎么搭的

知识资产化 · 混合检索 · 可溯源 RAG · Agent Harness · MCP 能力开放 · 调用计量计费

mcp.config.json
{
  "mcpServers": {
    "knowledge": {
      "url": "https://<你的域名>/mcp",
      "apiKey": "sk-••••••••••••"
    }
  }
}

填完这段,对方的 AI 就具备了你的全部查询能力。不需要读接口文档,不需要写适配代码; 每一次调用被计量、被留痕,并在回答中带回你的来源标注。

内容资产的四次形态升级

大多数机构的数字化,
止步于第二形态

资料进了数据库,能查了,卖的却还是内容本身。真正拉开差距的是后两步: 先把内容做成结构化的知识资产,再让这些资产能被调用、也能计费。

  1. 第一形态

    纸质与原始文献——只能被翻阅。

  2. 第二形态

    电子条目——可检索的数据。能被查询,卖的还是内容。

  3. 第三形态

    知识资产——结构化 + 语义化,机器可理解。

  4. 第四形态

    知识服务——可被 AI 调用的能力,被人与 AI 同时调用。

内容资产沉睡 →

结构化、语义化、可运营

一次加工、长期复用,新增资料走同一条流水线。

用户来查我们 →

能力嵌入用户所在的场景

读到一半长按取词,干活时顺手调用,AI 答题时自动引用。

卖内容 →

卖能力

从一次性内容授权,转为持续的调用计量收入。

面向人 →

同时面向人和 AI

通过 MCP 成为 AI 生态的知识供给方。

大模型有语言能力但缺乏权威知识,内容机构有权威知识但缺乏交互能力——二者结合,正是价值原点。

平台架构

六层解耦,
每一层独立演进

每层各自演进、各自扩容,也可以整层换掉。换掉其中一层,不会牵动上下任何一层—— 这是平台能用上十年的前提。

  1. 06 接入层

    业务工作台 · 终端用户端 · 管理运营后台 · 开发者门户 · 响应式适配 PC 与手机

  2. 05 开放层

    MCP 服务 · REST API · 统一认证 · 三级限流 · 调用计量 · 计费结算 · 用量报表

  3. 04 智能层

    Agent Harness · 可溯源 RAG · 多模型网关 · 提示词运营 · 内容安全

  4. 03 检索层

    精确通道 · 稀疏通道 · 稠密向量通道 → 多路召回 → 融合排序 → 重排 → 溯源标注

  5. 02 数据层

    结构化知识库 · 知识点库 · 素材库 · 向量索引 · 文件资产库

  6. 01 底座层

    多租户隔离 · 账号权限 · 版权保护 · 全量审计 · 容器化部署

知识资产化

六步流水线,从原始资料到可语义检索的知识

这条链路我们固化成了工具,以后新增资料自己就能接进来。不做成工具的话,每多一种资料就得重新开发一轮。

  1. 01

    形态识别与分流

    结构化电子稿走字段映射;排版文件走版面解析;纸质件走扫描、识别与版面还原。

  2. 02

    规范化

    字段规范化、异体归并、标点与符号统一。

  3. 03

    最小语义单元切分

    把条目拆到不可再分的语义粒度,各自独立成实体,挂载例证与关联。

  4. 04

    关联消解

    跨页跳转转为结构化关联;双向关系对称建立;跨库关联打通。

  5. 05

    质量校验

    强规范字段机器全量校验,长文本全量一致性校验,并按约定比例人工抽校。

  6. 06

    入库与索引

    结构化入库 → 全文索引 → 语义单元级向量化 → 索引验证。

关键设计决策

结构化必须做到最小语义单元级

一个多义条目,几个义项之间往往毫不相干。整条拿去向量化,得到的是一个被平均掉的、谁也不像的含义, 语义检索自然就准不了。拆到语义单元这一级,才谈得上下面四件事:

  • 按受众分层筛选
  • 每单元独立向量化的精准语义检索
  • 同义辨析与对比
  • 引用精确到「某资料某条目第几义项」的溯源

AI 的输出质量,上限由数据结构决定,而不是由模型决定。

混合检索引擎

三个通道,不可互相替代

只做向量的,迟早在专业场景里出事故;只做关键词的,接不住用户随口问的那句话。 三路一起召回,再融合排序,检索才敢交付。

精确通道

确定性命中

精确匹配、拼音、部首笔画、前缀与模糊查询。

查一个词就得给这个词。向量给的是「差不多」,形近字会互相匹配,在专业场景里这不叫瑕疵,叫事故。

稀疏通道

关键词与知识点

知识点索引、权重排序、短语完整命中加成。

专有名词、生僻字、人名、缩写,向量都召不回来,它能。而且它说得清道理:哪条命中了、为什么排在前面。

稠密通道

语义理解

理解意图、跨措辞召回。

开放式提问与语义检索的唯一解。按最小语义单元向量化,而不是整条。

融合链路 多路召回 RRF 倒数排序融合 相关性重排 去重归并 溯源标注
工程韧性
稀疏通道留着,向量服务一旦挂了,系统自动降级接着跑,效果打点折扣,但不会停。
一库三检索
结构化、全文、向量三类检索共用一套存储,不额外拉一个要专人盯着的集群。
可度量
建立标准测试集,出具召回率与准确率基线报告,并作为持续回归的依据。

可溯源 RAG

三道防线治编造

在专业场景里,编一条出来比答不上来麻烦得多。靠调提示词防不住,得靠三层工程设计。

  1. 01

    提示词层 · 知识边界硬约束

    事实性陈述只能来自检索内容;禁止用模型自身知识填补空缺;禁止用模糊措辞让用户误以为答案来自知识库; 查不到时必须明确告知缺少什么。

  2. 02

    系统层 · 引用校验

    模型输出的每个引用编号,在返回用户之前由系统核验是否真实存在、编号是否对应。不通过的引用被拦截并重新规范化。

    模型无法伪造一个不存在的引用。

  3. 03

    交互层 · 可核对设计

    每处引用可点击,一键跳回原文。溯源链路:答案 → 引用编号 → 知识点 → 来源文档 → 章节/页码定位。

    把核对的能力交给用户,是对「AI 可能出错」最诚实的应对。

Agent Harness

把智能体约束成可交付的生产系统

不管它,它就会换着同义词把一件事查上十遍、伸手去够没授权的东西、声称查过其实没查、或者一直不给结论。 六项机制,一样一样堵住。

工具编排
向模型暴露标准工具集,输出格式强约束,不接受自由文本。
循环控制
限定最大自主轮次;到达末轮收回全部检索工具,只保留「提交答案」,强制收束。
范围约束
所有工具调用在服务端强制限制在当前授权范围内。
收敛判定
每一轮都把查过的关键词再喂回去;这一轮没捞到新东西,就判定问到头了,停。
输出契约
最终答案必须通过结构化通道提交,并同时提交支撑该答案的知识点清单。
过程可观测
实时推送执行阶段与每次知识操作的起止。用户看得到 AI 在做什么,而不是盯着一个转圈的图标。

多模型网关:不被任何一家厂商绑定

协议统一适配 · 场景路由 · 健康探测 · 失败降级 · 用量与成本归集。新增模型无需发版,后台配置即生效。

切换是一次后台配置操作,而不是一个开发项目。

MCP 能力开放

让你的知识,出现在 AI 的工具箱里

MCP 规定了「AI 应用如何发现、理解并调用一项外部能力」。任何一款支持 MCP 的 AI 应用、智能体平台或垂直产品, 在配置中填入服务地址与密钥,即可让其 AI 具备你的全部查询能力。

传统内容开放

交付即失控

数据一旦交付就失去控制,只能一次性收费,无法感知实际使用情况。

REST API

前进了一步

按调用付费、数据仍在自己手里,但对方需要专门投入开发资源来对接。

MCP

门槛接近于零

REST API 需要对方专门为你开发;MCP 服务则是对方顺手就能接上。

MCP 服务 · 零代码接入

  • 面向 AI 生态:智能体 / AI 助手 / 技能市场
  • 能力发现与描述、会话与状态管理
  • stdio 本地桥接,覆盖仅支持本地接入的客户端

REST API · 标准接口集成

  • 面向传统系统:业务平台 / App / 信息化系统
  • 开发者门户:文档自动生成 + 在线调试台
  • 多语言 SDK 与接入指南

统一认证 · 统一限流 · 统一计量 · 统一账单 无论对方用哪种方式接入,账单口径完全一致

每个 MCP 工具都具备

01

标准化的输入输出契约

参数说明、返回结构、错误码齐备,AI 可自动理解如何使用。

02

共用认证、限流、计量、计费

与 REST API 同一套体系,不维护第二套账。

03

内置来源标注

返回结果自带数据来源,在 AI 的回答中形成天然的品牌露出。

04

完整的调用留痕

可追溯到具体客户与具体调用。

tools / registry

lookup_entry
按标识精确取回条目的全部结构化字段
search_semantic
按自然语言描述检索,返回带出处的知识单元
compare_terms
对比近义条目的语义差异与适用场景
list_sources
列举可引用的来源与其授权范围
get_citation
取回引用的章节与页码定位,供核对

工具集按行业与授权范围配置。能力注册表提供能力目录、版本管理与调用统计。

先发优势

REST API 决定了你能服务已有的信息化系统;MCP 决定了你能服务正在涌现的 AI 应用生态。 前者是存量市场,后者是增量市场。对接入方而言,接哪一家几乎没有切换成本——谁先在,谁就被默认选择。

每一次调用,都是一次收入,也是一次品牌曝光。

计量与计费

把知识做成可计量的生意

计量 — 计费 — 结算 — 对账,闭环交付。

统一计量
所有产品统一计点,按真实调用成本差异化扣点。计量与限流共用同一数据源,保证对账一致。
配额管理
机构总量池、按分组分配子额度、加油包追加、额度预警与自动降级。
计费结算
阶梯计价、超额自动计价、账期结算、月度账单生成与导出。
多视角报表
客户维度、接口维度、时间维度,支持导出,并附《计费口径说明书》。

企业接入六步

在开发者门户注册、获取密钥、在调试台试通接口,两天内完成集成。

  1. 01

    商务接洽

  2. 02

    签署授权协议

  3. 03

    开通白名单与密钥

  4. 04

    开发者门户联调

  5. 05

    小流量试运行

  6. 06

    商用计量结算

行业方案

同一套能力,四种知识密集型场景

四个行业,知识的结构不一样,权限不一样,溯源要追到多细也不一样。 但「结构化 → 混合检索 → 带出处地生成 → 对外开放」这条路是同一条。

出版

把工具书与资料库,变成可被调用的能力

读者的查询行为已经迁移到屏幕上,但对权威释义的需求并没有下降—— 问题不在内容,而在内容没有出现在用户查询的地方。

  • 一次加工长期复用,新增品类走同一条流水线
  • 分发指纹与泄露溯源,不改动交付内容正确性
  • 查询热词榜回流编辑部,作为选题参考

智库

把研究成果,变成可追溯的研究基础设施

政策文献与内部报告进同一套结构。长会话分层记忆让一个会话持续推进整个专题,不必每次重新交代背景。

  • 版面解析、扫描件识别与表格抽取
  • 段落级向量化与章节级溯源
  • 分级知识权限由服务端强制约束,全量审计留痕
  • 内网离线部署,数据不出域

教育

给教师的工作台,给学生的学伴

零容忍口径:一条编造的释义在教育场景里是不可接受的,其危害远大于「查不到」。

  • 素材与题目生成,每题附标准答案与知识出处
  • 即时知识卡片,划词取词就地浮出不打断
  • SSO 对接既有账号体系,不必维护第二套名册
  • 可嵌入第三方教育产品,补充权威知识能力

法律

权威法规库 + 能力输出 + 调用计量

这一模式已在法律信息服务领域得到验证。面向办案场景的落地形态,见 法规助手。

  • 条款级结构化,精确命中与语义检索双通道
  • 引用校验与条文级溯源,杜绝「看起来像法条」
  • Agent 多轮检索,服务端强制限定授权范围
  • 行为风控识别以合法身份进行的系统性爬库

性能与质量

效果要量出来,
不靠演示时的感觉

响应时延、吞吐与可用性按项目规模在验收单里逐项约定,上线后作为持续回归的依据。 AI 的效果也一样要量出来:检索召回率、引用准确率、知识边界遵守率、工具调用稳定性, 四项基线持续回归,使「AI 效果」成为可验收、可回归、可持续改进的工程指标。

第三方模型厂商故障期间,平台自动降级至备用模型通道,降级运行不计为服务不可用。

响应与容量

精确查询
确定性命中,按交互无感知的时延上限约定
组合与语义检索
以 P95 为口径约定上限,压测报告随交付
AI 问答
流式输出,首字先到,过程阶段实时可见
吞吐与并发
按节点水平扩容,容量目标随机构规模测算
服务可用性
可用性目标写入合同,并约定统计口径

数据与溯源质量

强规范字段
机器全量校验,不合规不入库
字段错误率
人工抽校建立基线,上限写进验收单
扫描件解析
按资料类型分别建立准确率基线并持续回归
章节级溯源
全量覆盖,每一处引用都能回到原文定位
审计日志
按机构合规要求约定保留期限

部署与安全

云端弹性,或者数据完全不出域

同一份代码,改配置就能切。私有化版本不是另起炉灶重做一套。

云端 SaaS

  • 面向个人、中小机构与 API/MCP 客户
  • 多租户架构,租户间数据完全隔离,弹性扩容
  • 云端商业大模型,在线滚动升级

私有化部署

  • 面向机构与主管单位,内网服务器部署,数据不出域
  • 内网私有模型,或白名单访问云端模型
  • 离线升级包,单目录备份,完全离线可运行

全部数据集中在一个目录中,备份、迁移、交接均为目录级操作。

零运维设计

全组件容器化、统一编排、一键部署;提供完全离线镜像包、数据初始化包、安装脚本与环境自检工具。 不引入需要独立集群与专业运维的重型组件。

内容资产保护:四层防护

原则:任何保护措施都不得影响交付给用户的内容正确性。

接入控制
密钥认证 + 请求签名(时间戳与随机数防重放)+ 令牌时效。

防未授权访问与请求伪造

速率管控
三级限流(账号 / IP / 设备),超限后降速 → 熔断 → 封禁。

防批量爬取

行为风控
调用画像建模,识别字典序遍历、固定间隔调用、覆盖率异常、低命中率高频调用。

识别以合法身份进行的系统性爬库

溯源追责
分发指纹 + 哨兵数据 + 资源水印 + 比对工具,给定疑似样本输出最可能的泄露源与置信度。

泄露后可定位到具体客户

分发指纹

为每个客户分配唯一的呈现子集与排序模板——每一条内容本身完全正确,但「哪些内容、以什么顺序出现」 构成该客户的唯一标识。配合极小量级的哨兵数据与矢量资源隐形水印,实现泄露溯源。

全链路 TLS 1.3 · HSTS · 移动端证书固定 · 请求签名防篡改 · 交付包数据库静态加密 · 高价值资源分片下发

边界

我们刻意不做的事

只做知识,不做管理
只记录服务,不评价用户
只补位,不替代

不做业务与组织管理功能
避免与客户既有系统重复建设。
不做没有数据源的分析
没有数据源的分析功能,交付时无法验证效果。
不做评价性输出
责任边界与申诉机制不清晰。
不做自动记忆沉淀
错误的自动记忆会持续影响后续所有对话,而用户难以察觉。替代方案是用户可见、可编辑、可删除的个人空间。

你的内容,值得成为 AI 的知识来源

从资料盘点、结构化加工,到 API 与 MCP 对外开放,这条路我们完整走过一遍。