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
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。
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
{
"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
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。
第一形态
纸质与原始文献——只能被翻阅。
第二形态
电子条目——可检索的数据。能被查询,卖的还是内容。
第三形态
知识资产——结构化 + 语义化,机器可理解。
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
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。
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
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
04 智能层
Agent Harness · 可溯源 RAG · 多模型网关 · 提示词运营 · 内容安全
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
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
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
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。
01
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。
02
字段规范化、异体归并、标点与符号统一。
03
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。
04
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。
05
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。
06
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
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:
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
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
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
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
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。
可溯源 RAG
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。
01
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。
02
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。
03
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
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。
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
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
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
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
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。
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
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。
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。
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。
完整的调用留痕
可追溯到具体客户与具体调用。
tools / registry
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。
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
计量 — 计费 — 结算 — 对账,闭环交付。
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。
01
商务接洽
02
签署授权协议
03
开通白名单与密钥
04
开发者门户联调
05
小流量试运行
06
商用计量结算
行业方案
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
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。
智库
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。
教育
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」。
法律
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。
性能与质量
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
数据与溯源质量
部署与安全
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。
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。
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。
原则:任何保护措施都不得影响交付给用户的内容正确性。
防未授权访问与请求伪造
防批量爬取
识别以合法身份进行的系统性爬库
泄露后可定位到具体客户
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
只做知识,不做管理
只记录服务,不评价用户
只补位,不替代