AI 知识工程架构 · 知识编译层

从“每次临时检索”到“先把知识编译成可复利的资产”：LLM Wiki 为主体，LightRAG 图谱支撑多跳比较，轻 Agent 路由

分层架构

查询路由

路径对比

分期落地

四层知识编译栈（自下而上）

L0 raw

不可变原件 现有文档存储；L3 独立桶、不进模型；唯一事实来源

↑ ingest（一次一份）

L1 Wiki

编译页（Markdown） 项目/概念/实体/对比/总览；frontmatter 含来源、级别、版本、复核人；四眼后发布

L2 图谱

LightRAG 式增量子图 国家/项目/要求/客户情境节点与关系；支撑匹配、比较、多跳

L3 向量

向量索引（按需） 语料增长后补，单事实定位；小规模先不建

↑ 定时 Lint：冲突 / 旧结论 / 孤立页 / 缺引用 / 来源失效联动下架

客户 / 顾问提问文字或语音（语音仅转文字）

问题分类事实定位 / 匹配比较 / 全局总结

事实 → Wiki / 向量政策、费用、模板条文

匹配比较 → 图谱项目适配、多跳、综合方案

全局 → 主题页未来社区摘要（K3）

带引用的草稿结论 → 分项 → 来源 co/off → 下一步

人工确认署名AI 不触发业务动作、不做结果承诺

路径	强在	多跳/全局	成本/更新
向量 RAG	单文档事实	弱	低 / 增量
微软 GraphRAG	全局战略问题	强	高 / 重建社区
LightRAG	多跳+比较	强	低-中 / 增量
Agentic RAG	复杂任务	强	延迟高
LLM Wiki	沉淀复利、可审计	中	低 / 需核查层

本平台选择：LLM Wiki 主体 + LightRAG 图谱 + 按需向量 + 轻路由；完整 GraphRAG 与纯 RAG 不采用。

Wiki 编译器

ingest → Wiki 草稿 + index/log → 四眼 → 发布；定时 Lint。服务总后台知识中心与三端事实问答。

轻量图谱

增量抽取项目/要求/情境关系，支撑客户端访谈比较与顾问综合诉求方案。

向量 + 路由

语料达阈值后补向量索引；在线模型仅作难任务可选开关，默认关闭。