@sillydaddy
是的，我目前确实也是按这个方向在做。

我把知识库大致分成了四层：原文层、提取层、描述层、知识层。

其中原文层、提取层和知识层基本可以按字面意思理解。这里我觉得比较关键的是“描述层”，它主要用来承接后续的检索、筛选和预览。

我目前理解的描述层大概包括三部分：

1. 向量数据库
主要解决大段文字之间的语义关联问题，适合用来做内容召回。

2. 结构化信息
主要提取业务强相关的属性，比如一些可以明确归类、过滤、组合查询的信息。

3. 标签系统
标签由 AI 生成，但需要做到人能看懂、能检索、能预览。因为向量数据库和结构化信息更偏机器使用，对人工查看和调试来说不够直观，或者说预览效率太低。

所以我的理解是，向量、结构化信息和标签系统并不是互相替代的关系，而是在描述层里分别解决不同问题：向量负责语义关联，结构化信息负责业务属性，标签系统负责人能理解和快速预览。

（尴尬，好像回复错地方了）
我刚好也在做类似事情（不过是知识库搭建），最近也在反复想这个问题。

我现在的理解是，向量库本身可能不是最终答案，它更像是最后“找到原文证据”的一个环节。真正难的是前置处理：怎么把原始内容整理成后面能稳定召回、能解释、能复用的结构。

我的思路大概是：

1. 先用 AI 对原文做一轮标签化；
2. 再提取一部分结构化信息；
3. 对于一些“不是很像人话”的内容，或者表达很绕、噪声很多的内容，先做归纳和清洗；
4. 但原文不丢，结构化信息只是为了帮助检索和过滤；
5. 真正回答用户问题时，还是根据标签 + 结构化信息 + 向量/关键词召回，最终找到原文片段，再把原文喂给 AI 一起分析。

也就是说，前面做标签、摘要、结构化，并不是为了替代原文，而是为了最后能更稳地找到原文。因为很多时候用户问的问题不是刚好命中某一句，而是命中一个场景、一组枚举、一个上下文范围。如果只靠 embedding topK ，确实很容易只捞到相似的一小段，然后漏掉后面连续的条目或者条件说明。


目前我的想法是，AI 前处理更像是给原始资料建立“索引层”和“导航层”，而不是把原文压缩成一个最终答案库。原文仍然是最终证据来源。

我刚好也在做类似事情（不过是知识库搭建），最近也在反复想这个问题。

我现在的理解是，向量库本身可能不是最终答案，它更像是最后“找到原文证据”的一个环节。真正难的是前置处理：怎么把原始内容整理成后面能稳定召回、能解释、能复用的结构。

我的思路大概是：

1. 先用 AI 对原文做一轮标签化；
2. 再提取一部分结构化信息；
3. 对于一些“不是很像人话”的内容，或者表达很绕、噪声很多的内容，先做归纳和清洗；
4. 但原文不丢，结构化信息只是为了帮助检索和过滤；
5. 真正回答用户问题时，还是根据标签 + 结构化信息 + 向量/关键词召回，最终找到原文片段，再把原文喂给 AI 一起分析。

也就是说，前面做标签、摘要、结构化，并不是为了替代原文，而是为了最后能更稳地找到原文。因为很多时候用户问的问题不是刚好命中某一句，而是命中一个场景、一组枚举、一个上下文范围。如果只靠 embedding topK ，确实很容易只捞到相似的一小段，然后漏掉后面连续的条目或者条件说明。


目前我的想法是，AI 前处理更像是给原始资料建立“索引层”和“导航层”，而不是把原文压缩成一个最终答案库。原文仍然是最终证据来源。

zed ？