从Excel到AI知识库：一家企业的智能知识库实施纪实

背景

某中型企业员工300人，日常使用Excel表格管理知识文档，文件分散在各部门服务器，检索困难，知识流失严重。本文记录了我们如何用搭贝低代码平台搭建AI知识库的全过程。

传统方案的问题

Excel+文件夹的痛点

痛点1：检索效率低
- 员工搜索"请假流程"需要翻阅5个部门文件夹
- 关键词匹配，无法理解语义
- 新员工平均花费3小时找到所需文档

痛点2：知识孤岛
- 销售部方案模板IT部门看不到
- 历史优秀案例沉睡在离职员工的电脑
- 跨部门协作重复造轮子

痛点3：维护成本高
- 文档更新需要手动通知所有人
- 版本混乱，不知道哪个是最新版
- 权限控制粗粒度，要么全开要么全关

痛点4：智能能力缺失
- 员工问"年假怎么扣"没人回答
- 新人培训依赖老员工手把手教
- 无法从历史资料中提炼知识

技术方案设计

架构选型

我们采用了 RAG（检索增强生成）架构：

┌─────────────────────────────────────────────────┐
│                   用户界面                        │
│          (搭贝低代码拖拽式表单+聊天界面)            │
└───────────────┬─────────────────────────────────┘
                │
┌───────────────▼─────────────────────────────────┐
│              API Gateway层                        │
│     (用户认证、权限控制、请求路由、限流)            │
└───────────────┬─────────────────────────────────┘
                │
┌───────────────▼─────────────────────────────────┐
│             AI知识库服务层                        │
│  ┌────────────┐  ┌────────────┐  ┌────────────┐ │
│  │  向量搜索  │  │  知识图谱  │  │  规则引擎  │ │
│  └────────────┘  └────────────┘  └────────────┘ │
└───────────────┬─────────────────────────────────┘
                │
┌───────────────▼─────────────────────────────────┐
│              存储层                               │
│  ┌────────────┐  ┌────────────┐  ┌────────────┐ │
│  │ 向量数据库  │  │ 关系数据库  │  │ 文件存储    │ │
│  │ (Chroma)   │  │  (MySQL)   │  │  (MinIO)   │ │
│  └────────────┘  └────────────┘  └────────────┘ │
└─────────────────────────────────────────────────┘

技术栈

前端:
  - 框架: Vue 3 + Element Plus
  - 低代码平台: 搭贝
  - 富文本编辑器: TinyMCE

后端:
  - 框架: Node.js + Express
  - AI模型: GLM-4 (智谱AI)
  - 向量数据库: Chroma
  - 关系数据库: MySQL 8.0
  - 文件存储: MinIO

部署:
  - 容器: Docker + Docker Compose
  - 反向代理: Nginx
  - 监控: Prometheus + Grafana

实施步骤

第一步：环境搭建（3天）

# 1. 安装Docker和Docker Compose
sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io docker-compose-plugin

# 2. 创建项目目录
mkdir ai-knowledge-base
cd ai-knowledge-base

# 3. 编写docker-compose.yml
cat > docker-compose.yml << EOF
version: '3.8'
services:
  mysql:
    image: mysql:8.0
    environment:
      MYSQL_ROOT_PASSWORD: your_password
      MYSQL_DATABASE: knowledge_base
    volumes:
      - mysql-data:/var/lib/mysql
    ports:
      - "3306:3306"

  chroma:
    image: chromadb/chroma
    volumes:
      - chroma-data:/chroma/chroma
    ports:
      - "8000:8000"

  minio:
    image: minio/minio
    command: server /data --console-address ":9001"
    environment:
      MINIO_ROOT_USER: admin
      MINIO_ROOT_PASSWORD: admin123
    volumes:
      - minio-data:/data
    ports:
      - "9000:9000"
      - "9001:9001"

  backend:
    build: ./backend
    ports:
      - "3000:3000"
    depends_on:
      - mysql
      - chroma
      - minio
    environment:
      DATABASE_URL: mysql://root:your_password@mysql:3306/knowledge_base
      CHROMA_HOST: chroma
      CHROMA_PORT: 8000
      MINIO_ENDPOINT: minio:9000

  frontend:
    build: ./frontend
    ports:
      - "8080:8080"
    depends_on:
      - backend

volumes:
  mysql-data:
  chroma-data:
  minio-data:
EOF

# 4. 启动服务
docker compose up -d

第二步：搭贝低代码配置（5天）

2.1 创建数据模型

在搭贝后台创建以下数据表：

// 文档表
const DocumentSchema = {
  name: '文档',
  fields: [
    { name: 'title', type: 'string', required: true, label: '标题' },
    { name: 'content', type: 'richText', required: true, label: '内容' },
    { name: 'category', type: 'select', label: '分类', 
      options: ['规章制度', '流程文档', '技术手册', '销售话术'] },
    { name: 'tags', type: 'multiSelect', label: '标签' },
    { name: 'author', type: 'user', label: '作者' },
    { name: 'department', type: 'select', label: '部门',
      options: ['销售部', '技术部', '人事部', '财务部'] },
    { name: 'status', type: 'select', label: '状态',
      options: ['草稿', '已发布', '已归档'] },
    { name: 'attachments', type: 'file', label: '附件' },
    { name: 'effectiveDate', type: 'date', label: '生效日期' },
    { name: 'expiryDate', type: 'date', label: '失效日期' }
  ]
}

// 知识问答表
const QASchema = {
  name: '知识问答',
  fields: [
    { name: 'question', type: 'string', required: true, label: '问题' },
    { name: 'answer', type: 'richText', required: true, label: '答案' },
    { name: 'category', type: 'select', label: '分类' },
    { name: 'views', type: 'number', label: '浏览量' },
    { name: 'likes', type: 'number', label: '点赞数' },
    { name: 'feedback', type: 'textarea', label: '反馈' }
  ]
}

// 用户权限表
const PermissionSchema = {
  name: '权限配置',
  fields: [
    { name: 'user', type: 'user', label: '用户' },
    { name: 'role', type: 'select', label: '角色',
      options: ['管理员', '编辑者', '查看者'] },
    { name: 'accessibleCategories', type: 'multiSelect', 
      label: '可访问分类' }
  ]
}

2.2 搭建前端页面

使用搭贝拖拽式编辑器创建以下页面：

<!-- 知识库首页 -->
<template>
  <div class="knowledge-home">
    <!-- 搜索区 -->
    <el-card class="search-card">
      <el-input
        v-model="searchQuery"
        placeholder="输入关键词，AI智能搜索..."
        @keyup.enter="handleSearch"
        size="large"
        clearable
      >
        <template #append>
          <el-button @click="handleSearch" type="primary">
            <el-icon><Search /></el-icon>
            搜索
          </el-button>
        </template>
      </el-input>

      <!-- 智能建议 -->
      <div class="suggestions" v-if="suggestions.length > 0">
        <el-tag
          v-for="item in suggestions"
          :key="item"
          @click="searchQuery = item; handleSearch()"
          style="margin-right: 8px; cursor: pointer"
        >
          {{ item }}
        </el-tag>
      </div>
    </el-card>

    <!-- 分类导航 -->
    <el-card class="category-card">
      <template #header>
        <span>知识分类</span>
      </template>
      <div class="category-grid">
        <div
          v-for="cat in categories"
          :key="cat.id"
          class="category-item"
          @click="filterByCategory(cat.id)"
        >
          <el-icon :size="40" :color="cat.color">
            <component :is="cat.icon" />
          </el-icon>
          <span>{{ cat.name }}</span>
          <span class="count">{{ cat.count }}</span>
        </div>
      </div>
    </el-card>

    <!-- 热门文档 -->
    <el-card class="hot-docs">
      <template #header>
        <span>🔥 热门文档</span>
      </template>
      <el-table :data="hotDocs" @row-click="openDoc">
        <el-table-column prop="title" label="标题" />
        <el-table-column prop="views" label="浏览" width="80" />
        <el-table-column prop="author" label="作者" width="100" />
        <el-table-column prop="updateTime" label="更新时间" width="150" />
      </el-table>
    </el-card>
  </div>
</template>

2.3 AI对话界面

// 智能问答组件
<script setup>
import { ref } from 'vue'
import { sendMessage } from '@/api/ai'

const messages = ref([])
const inputMessage = ref('')
const loading = ref(false)

const handleSend = async () => {
  if (!inputMessage.value.trim()) return

  // 添加用户消息
  messages.value.push({
    role: 'user',
    content: inputMessage.value,
    time: new Date()
  })

  const question = inputMessage.value
  inputMessage.value = ''
  loading.value = true

  try {
    // 调用AI接口
    const response = await sendMessage({
      question,
      context: {
        userId: getCurrentUser().id,
        department: getCurrentUser().department
      }
    })

    // 添加AI回复
    messages.value.push({
      role: 'assistant',
      content: response.answer,
      sources: response.sources,  // 参考文档
      confidence: response.confidence,
      time: new Date()
    })
  } catch (error) {
    messages.value.push({
      role: 'error',
      content: '抱歉，我暂时无法回答这个问题',
      time: new Date()
    })
  } finally {
    loading.value = false
  }
}
</script>

第三步：向量数据库与RAG实现（7天）

3.1 文档向量化

// 向量化服务
import { ChromaClient } from 'chromadb'
import { chunkText } from '@/utils/text'
import { getEmbedding } from '@/api/ai'

const chroma = new ChromaClient({
  path: 'http://localhost:8000'
})

// 创建集合
const collection = await chroma.createCollection({
  name: 'documents',
  metadata: { hnsw:space: 'cosine' }
})

// 文档分块
const documentChunks = chunkText(document.content, {
  chunkSize: 500,  // 每块500字符
  chunkOverlap: 50  // 重叠50字符
})

// 生成向量并存储
for (const chunk of documentChunks) {
  const embedding = await getEmbedding(chunk.text)

  await collection.add({
    ids: [chunk.id],
    embeddings: [embedding],
    metadatas: [{
      documentId: document.id,
      title: document.title,
      category: document.category,
      author: document.author,
      chunkIndex: chunk.index
    }],
    documents: [chunk.text]
  })
}

// 语义搜索
async function semanticSearch(query, topK = 5) {
  const queryEmbedding = await getEmbedding(query)

  const results = await collection.query({
    queryEmbeddings: [queryEmbedding],
    nResults: topK,
    include: ['documents', 'metadatas', 'distances']
  })

  return results.documents[0].map((doc, index) => ({
    content: doc,
    metadata: results.metadatas[0][index],
    score: 1 - results.distances[0][index]  // 转换为相似度分数
  }))
}

3.2 RAG流程实现

// RAG问答服务
import { semanticSearch } from '@/services/vector'
import { chatCompletion } from '@/api/ai'

async function ragAnswer(question) {
  // Step 1: 检索相关文档
  const retrievedDocs = await semanticSearch(question, topK = 5)

  // Step 2: 过滤低相关性文档（相似度 < 0.7）
  const relevantDocs = retrievedDocs.filter(doc => doc.score >= 0.7)

  if (relevantDocs.length === 0) {
    return {
      answer: '抱歉，我没有找到相关信息。您可以尝试换个问法或联系人工客服。',
      sources: [],
      confidence: 0
    }
  }

  // Step 3: 构建Prompt
  const context = relevantDocs.map(doc => `
    文档：${doc.metadata.title}
    内容：${doc.content}
    相关度：${(doc.score * 100).toFixed(1)}%
  `).join('\n')

  const prompt = `
    你是公司的智能知识库助手，请根据以下知识库内容回答用户问题。

    知识库内容：
    ${context}

    用户问题：${question}

    回答要求：
    1. 基于知识库内容回答，不要编造
    2. 如果信息不足，明确说明
    3. 引用具体文档作为依据
    4. 语言简洁明了
  `

  // Step 4: 生成答案
  const answer = await chatCompletion({
    messages: [{ role: 'user', content: prompt }],
    temperature: 0.3,  // 降低随机性，提高准确性
    maxTokens: 500
  })

  // Step 5: 返回结果
  return {
    answer: answer.choices[0].message.content,
    sources: relevantDocs.map(doc => ({
      title: doc.metadata.title,
      documentId: doc.metadata.documentId,
      score: doc.score
    })),
    confidence: Math.max(...relevantDocs.map(d => d.score))
  }
}

第四步：数据迁移（3天）

4.1 Excel数据解析

// Excel导入工具
import xlsx from 'xlsx'
import fs from 'fs'

function importExcelDocuments(filePath) {
  const workbook = xlsx.readFile(filePath)
  const sheetName = workbook.SheetNames[0]
  const sheet = workbook.Sheets[sheetName]

  const data = xlsx.utils.sheet_to_json(sheet)

  return data.map(row => ({
    title: row['文档标题'],
    content: row['文档内容'],
    category: row['分类'],
    tags: row['标签'] ? row['标签'].split(',') : [],
    author: row['作者'],
    department: row['部门'],
    status: '已发布',
    effectiveDate: row['生效日期'] || new Date(),
    attachments: parseAttachments(row['附件路径'])
  }))
}

// 批量导入
const excelFiles = [
  './data/sales_docs.xlsx',
  './data/tech_docs.xlsx',
  './data/hr_docs.xlsx'
]

for (const file of excelFiles) {
  const docs = importExcelDocuments(file)
  await batchCreateDocuments(docs)
}

4.2 Word文档处理

// Word文档解析
import mammoth from 'mammoth'

async function processWordDocument(filePath) {
  const result = await mammoth.extractRawText({ path: filePath })

  const text = result.value

  // 文本分块
  const chunks = chunkText(text, { chunkSize: 500, chunkOverlap: 50 })

  return {
    title: extractTitleFromText(text),
    content: text,
    chunks: chunks
  }
}

第五步：权限与安全（2天）

5.1 基于角色的访问控制（RBAC）

// 权限中间件
const permissions = {
  admin: ['read', 'write', 'delete', 'manage'],
  editor: ['read', 'write'],
  viewer: ['read']
}

async function checkPermission(userId, action, resource) {
  const user = await getUser(userId)
  const role = user.role

  if (!permissions[role].includes(action)) {
    throw new Error('权限不足')
  }

  // 检查分类级权限
  if (action === 'read' || action === 'write') {
    const userCategories = await getUserAccessibleCategories(userId)
    if (!userCategories.includes(resource.category)) {
      throw new Error('无权访问此分类')
    }
  }

  return true
}

// 应用到API路由
app.post('/api/documents', async (req, res) => {
  try {
    await checkPermission(req.user.id, 'write', req.body)
    // 创建文档逻辑
  } catch (error) {
    res.status(403).json({ error: error.message })
  }
})

5.2 数据加密

// 敏感信息加密
import crypto from 'crypto'

const algorithm = 'aes-256-gcm'
const key = crypto.scryptSync(process.env.ENCRYPTION_KEY, 'salt', 32)

function encrypt(text) {
  const iv = crypto.randomBytes(16)
  const cipher = crypto.createCipheriv(algorithm, key, iv)

  let encrypted = cipher.update(text, 'utf8', 'hex')
  encrypted += cipher.final('hex')

  const authTag = cipher.getAuthTag()

  return {
    encrypted,
    iv: iv.toString('hex'),
    authTag: authTag.toString('hex')
  }
}

function decrypt(encryptedData) {
  const decipher = crypto.createDecipheriv(
    algorithm,
    key,
    Buffer.from(encryptedData.iv, 'hex')
  )

  decipher.setAuthTag(Buffer.from(encryptedData.authTag, 'hex'))

  let decrypted = decipher.update(encryptedData.encrypted, 'hex', 'utf8')
  decrypted += decipher.final('utf8')

  return decrypted
}

效果对比

实施前后对比

指标	实施前	实施后	提升
平均检索时间	30分钟	5秒	360倍
新员工培训周期	2周	3天	78%
咨询响应时间	4小时	实时	95%
知识利用率	30%	85%	183%
重复问题占比	70%	15%	78%

成本对比

传统方案（人工）：
- 知识管理员：2人 × 8000元/月 × 12月 = 192,000元/年
- 咨询客服：3人 × 6000元/月 × 12月 = 216,000元/年
- 培训成本：新员工 × 50人/年 × 2000元/人 = 100,000元/年
- 系统维护费：30,000元/年
总计：538,000元/年

AI知识库方案：
- 软件授权费：12,000元/年
- 服务器成本：24,000元/年
- AI调用费用：5,000元/月 × 12月 = 60,000元/年
- 知识管理员：1人 × 8000元/月 × 12月 = 96,000元/年
总计：192,000元/年

节省：346,000元/年（64%）![image]

常见问题

Q1: 如何处理过期的知识？

实现自动归档机制：

// 定时任务：检查过期文档
const cron = require('node-cron')

cron.schedule('0 2 * * *', async () => {  // 每天凌晨2点
  const expiredDocs = await Document.find({
    expiryDate: { $lt: new Date() },
    status: '已发布'
  })

  for (const doc of expiredDocs) {
    await Document.updateOne(
      { _id: doc._id },
      { status: '已归档' }
    )

    // 通知相关人员
    await notifyDepartments({
      category: doc.category,
      message: `文档《${doc.title}》已过期归档`
    })
  }
})

Q2: AI回答不准确怎么办？

实现人工审核和反馈机制：

// 用户反馈接口
app.post('/api/feedback', async (req, res) => {
  const { question, answer, helpful, comment } = req.body

  // 记录反馈
  await Feedback.create({
    userId: req.user.id,
    question,
    answer,
    helpful,
    comment
  })

  // 如果反馈为负面，标记为待优化
  if (!helpful) {
    await markForOptimization({
      question,
      answer,
      feedback: comment
    })

    // 通知知识管理员
    await notifyAdmins({
      type: 'answer_needs_review',
      data: { question, answer, comment }
    })
  }

  res.json({ success: true })
})

总结

通过20天的实施，我们成功从Excel迁移到AI知识库，实现了：

检索效率提升360倍：从30分钟缩短到5秒
人力成本降低64%：年节省34.6万元
知识利用率提升183%：从30%提升到85%

关键成功因素：

低代码平台降低开发门槛
RAG架构确保答案准确性
权限体系保障数据安全
持续优化机制保证知识质量

参考资源

本文记录了某企业AI知识库实施的全过程，如有疑问欢迎交流。

posted @ 2026-07-27 11:12 搭贝阅读(6) 评论(0) 收藏举报

刷新页面返回顶部

搭贝

https://www.dabeicloud.com/ 企业运营难题解决工具 | 支持在线DIY应用