企业官网建设流程全解析

1. 什么是知识库？

一句话：公司里所有结构化、非结构化的信息，都可以放进知识库。

它可以包含：

• 规章制度
• 流程说明
• 合同模板
• 历史审批案例
• 员工手册
• 项目文档
• 邮件、聊天记录（如果允许）
• 扫描件、PDF、图片里的文字内容（经 OCR 处理后）

在 AI 时代，知识库不是给人“翻”的，而是给 AI“读”的。

2. 什么是向量数据库？

一句话：把文字变成“数学向量”，然后用向量数据库来存、来查。

为什么要这么做？
因为计算机看不懂文字，但能看懂向量。
向量可以表达语义，比如：

“请假流程”
“如何申请年假”
“年假怎么批”

这三句话的向量会非常接近，因为意思差不多。

向量数据库做的事情就是：

• 把文档内容转成向量
• 当你提问时，也把问题转成向量
• 用向量相似度快速找到“意思相近”的内容

常见的向量数据库：Milvus、Pinecone、Weaviate、FAISS 等。

3. 什么是召回？

一句话：从海量数据里，快速把“可能相关”的内容捞出来。

它不是最终答案，只是“候选集”。

比如你问：
“年假怎么申请？”

召回阶段可能会从知识库中捞出：

• 年假流程文档
• 请假制度 PDF
• 历史审批案例中含“年假”的记录
• 员工手册中关于休假的章节

这些是“可能有用”的内容，数量一般是几十到几百条。

召回之后，才会进入 AI 的“精排”阶段，让 AI 从这些候选里挑最有用的来生成回答。

4. 一个具体的 OA + AI 场景（非常典型）

假设你们公司有一个 OA 系统，里面有：

• 10000+ 份历史审批记录
• 500+ 份制度文档
• 200+ 份流程说明
• 大量合同模板、会议纪要等

现在员工在 OA 的 AI 助手对话框里输入：

“我想请 3 天年假，需要谁审批？”

下面我带你看整个流程：

第一步：问题进入系统

用户输入：
“我想请 3 天年假，需要谁审批？”

第二步：把问题转成向量

AI 模型（如 Embedding 模型）把这句话转成一个向量，比如：

[0.12, -0.34, 0.56, … , 0.09]

第三步：向量数据库“召回”相关内容

系统拿着这个向量去向量数据库里搜索，找到最相似的向量对应的文档，比如：

1. 《员工休假管理制度》
2. 《年假申请流程说明》
3. 历史审批案例：员工 A 请 3 天年假，由直属经理审批
4. 历史审批案例：员工 B 请 5 天年假，由经理 + 部门负责人审批
5. 《OA 请假操作指南》

这些就是“召回”出来的候选内容。

第四步：AI 精读这些内容，生成回答

AI 拿到这些候选文档后，会阅读并总结，最终给用户一个清晰的答案：

“根据公司制度，3 天年假需要直属经理审批。流程是：在 OA 中提交请假申请 → 经理审批 → 自动归档。”

第五步：如果需要，还能给出引用来源

比如：

• 来自《员工休假管理制度》第 3.2 条
• 参考案例：员工 A，2025-06-12

这样用户更信任。

5. 这个场景里三个概念的角色总结

• 知识库：存放所有制度、流程、案例等原始信息
• 向量数据库：把这些信息转成向量并提供快速相似度检索
• 召回：根据用户问题，从海量文档中快速捞出最相关的一批内容，供 AI 精排

三者配合，让 OA 的 AI 助手能回答复杂问题，而不是只会“关键词匹配”。