二、基础概念铺垫

1. 知识库问答应用：基于已有文档、消息等资料，通过AI技术实现“提问-检索-回答”的工具，比如腾讯文档AI、飞书问答等，核心是“让AI读懂你的资料并解答问题”。

1. 检索逻辑：AI查找资料的方式，主要分为两种——

• 关键词检索：像传统搜索一样，通过提取问题中的关键词（如“AI面试”）匹配资料，速度快但不够智能；

• 语义检索（基于Embedding）：把问题和资料都转换成计算机能理解的“语义向量”，即使表述不同（如“什么是agent”和“agent的定义”）也能匹配，更智能但技术要求高。

1. RAG技术：全称“检索增强生成”，是知识库问答的核心技术，简单说就是“先检索相关资料，再让AI结合资料生成回答”，避免AI瞎编，确保答案有依据。

三、主流知识库产品实战体验

（一）腾讯文档AI

1. 核心功能

• 基于文档/空间的问答：可创建“空间”并导入文档，AI会检索空间内资料回答问题；

• 检索范围：默认检索全部文档，支持切换资料来源，但无法关闭“使用文档”权限（必须基于资料问答，不能单独用AI）。

2. 操作步骤（跟着做就行）

1. 打开腾讯文档，创建新“空间”（比如命名“学习资料库”）；

1. 向空间导入文档（支持PDF、腾讯文档副本等，注意：导入后外部人员无法查看原文档）；

1. 点击空间内的“AI”按钮，输入问题（如“文档中有关于AI面试的内容吗？”）；

1. 等待AI检索，查看回答及引用的资料来源。

3. 优缺点

• 优点：导入文档后检索速度快，支持语义检索（比如用英文问“what's an agent”也能匹配中文资料）；

• 缺点：产品成熟度低，检索结果有重复、漏检情况；权限设置不灵活，必须绑定文档，不能单独使用AI。

（二）飞书问答

1. 核心功能

• 多维度检索范围：可选择“仅用AI（豆包）”“使用企业知识”，支持筛选是否包含文档、消息、服务台内容等；

• 知识库管理：支持创建多个知识库，可设置分享权限（公开/兑换码），信息安全控制更完善。

2. 操作步骤

1. 打开飞书，进入“知识库”模块（或通过飞书文档侧边栏找到“问答”入口）；

1. 选择检索范围：比如“不使用企业知识”（仅用AI）或“包含文档+消息”（基于企业资料）；

1. 输入问题（如“产品经理行动营的课件里有程序员笑话吗？”），查看AI回答及来源。

3. 优缺点

• 优点：权限设置灵活（可关闭企业知识），检索精度比腾讯文档略高，支持多类型资料（文档、消息、会议纪要）；

• 缺点：网页端入口隐蔽，需通过飞书客户端或特定链接进入，操作稍复杂。

（三）两款产品核心对比（一目了然）

对比维度	腾讯文档AI	飞书问答
权限灵活性	低（必须用文档）	高（可关闭企业知识）
检索精度	中等（有重复/漏检）	中等偏上
操作难度	简单（入口直观）	中等（入口隐蔽）
适用场景	个人学习、小型资料库	企业协作、多团队共享知识库

四、核心技术逻辑拆解

1. 资料准备：让AI“读得到”资料

• 文档导入：支持PDF、Markdown、普通文档等格式（注意：部分工具不支持Markdown，需转PDF）；

• 文档处理：AI会自动把长文档“分块”（比如每500字一块），再通过Embedding技术转换成语义向量，存储到“向量数据库”（相当于AI的“记忆库”）。

2. 提问处理：让AI“懂你的问题”

• 问题转换：你输入的自然语言问题（如“2024年国内AI政策导向是什么？”），会被转换成和资料一样的语义向量；

• 检索匹配：AI在向量数据库中查找和问题最相似的“文档块”（通常取Top5~10个最相关的），确保回答有依据。

3. 回答生成：让AI“说人话”

• 结合资料：AI把检索到的相关文档块，和你的问题、对话历史拼接成“提示词”（比如“根据以下资料回答问题：[文档内容]，问题：[你的问题]”）；

• 调用大模型：把提示词传给AI大模型（如豆包），大模型结合资料生成回答，避免瞎编。

4. 流式输出：让回答“实时显示”

• 什么是流式输出？不是等AI完全想好再一次性输出，而是“边想边说”，比如先输出“2024年国内AI政策核心是”，再慢慢补充后续内容，提升体验；

• 背后逻辑：AI每生成一个“词（Token）”就返回一次，前端页面实时拼接显示，直到回答完成。

五、开源项目拆解实战（从“用”到“懂”）

（一）Pandawiki核心定位

• 功能：开源的知识库问答工具，支持创建文档、导入资料、语义检索，可私有化部署（自己的服务器上运行）；

• 适用场景：想搭建专属知识库，不想用腾讯/飞书的企业或个人。

（二）部署与配置步骤

1. 准备工具：电脑需安装Git（代码下载工具）、Docker（环境配置工具，一键部署）；

1. 下载代码：打开终端，输入命令git clone https://github.com/pandawiki/pandawiki.git（复制粘贴即可），下载项目代码；

1. 配置环境：

• 进入项目文件夹，找到docker-compose.yml文件，用记事本打开；

• 修改端口（如果80端口被占用，改成87或1324，避免冲突）；

1. 启动项目：终端输入docker-compose up -d，等待5分钟，打开浏览器输入http://localhost:87（端口号和你修改的一致），即可访问Pandawiki；

1. 导入资料：创建知识库，上传PDF文档，等待AI完成Embedding（学习过程），之后就能提问了。

（三）用AI拆解项目逻辑（关键步骤）

如果想知道项目背后的代码逻辑，用Kimi、Claude等AI工具帮忙：

1. 下载项目代码压缩包，上传到Kimi（需开通coding会员，按次数收费，性价比高）；

1. 给AI发指令：“分析这个Pandawiki项目的代码，用时序图展示核心流程（问答交互、文档创建），用Markdown文档输出结果”；

1. 等待AI生成报告，重点看3部分：

• 问答交互流程：用户提问→前端验证→API服务→缓存对话历史→RAG检索→大模型生成回答→流式输出；

• 文档处理流程：创建文档→保存到数据库→分块→Embedding→存储到向量库；

• 权限控制：检索结果会过滤无权限的文档（比如别人的私有文档你看不到）。

（四）拆解后核心收获（零基础重点记）

1. 所有知识库工具的核心逻辑都一样：“资料处理→检索→生成回答”；

1. 开源项目的代码结构有规律：前端（页面交互）、后端（逻辑处理）、配置文件（环境设置）、存储（数据库/向量库）；

1. 遇到不懂的代码，不用死磕，让AI解释“这个函数是干嘛的”“这个流程是什么意思”，效率更高。

六、常见问题与避坑指南

1. 导入文档后AI检索不到？

• 检查文档格式：部分工具不支持Markdown，转PDF再试；

• 确认文档已完成Embedding：开源项目可能需要等待几分钟，腾讯/飞书通常实时完成；

• 检查检索范围：是否选错了知识库或筛选条件（比如飞书选了“不包含文档”）。

1. 部署开源项目时端口被占用？

• 换一个端口（比如87、1324、4437），修改配置文件后重启项目；

• 用终端命令查看占用端口（Windows：netstat -ano | findstr "80"，Mac：lsof -i :80），关闭占用程序。

1. 语义检索不如关键词检索快？

• 正常现象：语义检索需要转换向量，比关键词检索多一步，开源项目中可通过“缓存已生成的向量”提升速度；

• 腾讯/飞书之所以快，是因为优化了Embedding技术，支持“极速嵌入”。

七、学习路径建议（零基础进阶）

1. 第一阶段（1-2周）：体验产品

• 用腾讯文档AI、飞书问答导入自己的学习资料（比如笔记、课件），反复提问，感受两种检索逻辑的差异；

• 尝试创建空间、设置权限，熟悉产品功能。

1. 第二阶段（2-3周）：理解技术

• 重点看“核心技术逻辑”部分，不用深究代码，记住“资料分块→Embedding→检索→生成”的流程；

• 用AI工具（如豆包）解释“向量数据库是什么”“RAG和普通AI有什么区别”，直到听懂。

1. 第三阶段（3-4周）：实战拆解

• 按照步骤部署Pandawiki，导入资料并提问，验证技术流程；

• 用Kimi拆解项目，查看AI生成的时序图，对比实际产品和开源项目的差异。

1. 第四阶段（可选）：尝试改造

• 用AI工具修改Pandawiki的简单功能（比如修改页面标题、调整检索结果数量）；

• 尝试导入不同类型的资料（图片PDF、长文档），测试工具的兼容性。

八、必备工具清单

1. 产品体验：腾讯文档（网页版）、飞书（客户端）；

1. 项目部署：Git（代码下载）、Docker（环境配置）、浏览器（Chrome/Firefox）；

1. 代码拆解：Kimi（coding会员，按次数收费）、Claude（支持大文件上传）；

1. 文档编辑：妙言（支持Markdown，查看AI生成的报告）、记事本（修改配置文件）。