企业知识最值钱的部分,往往藏在设备手册的PDF里、配置规范的表格里,以及老师傅处理故障时那句“先看传输”的经验中。大模型虽能写代码、写报告,却常答不出最具体的业务问题:“设备退服了,该怎么办?”

传统企业AI知识库多采用“找相似”模式,将文档切碎后通过向量相似度匹配片段。但这种方案存在致命缺陷:无法判断片段间逻辑关系、无法追踪因果链路、无法确保答案的可验证性。中兴通讯开源的Knowledge Studio项目,正是为解决这些痛点而生。
该方案通过三步构建知识体系:先定义业务模型,明确实体、关系、属性的Schema;再将知识抽取为图谱,建立实体间的显式连接;最后通过可追溯的检索链路,将答案与原始文档精确对应。这种模式解决了知识“散”和“歧义”两大核心问题,让答案既具备业务逻辑的确定性,又能逐条回查原始依据。
在实际测试中,Knowledge Studio的图谱检索能力在2WikiMultiHopQA数据集上达到90%的EM准确率和95%以上的证据召回率。其核心优势在于:不依赖模型“猜”,而是通过业务建模显式定义因果关系;不依赖相似度,而是通过图谱路径确保答案连贯;不依赖干净文档,即使在混合0.8噪声的语料中,准确率仅下降3个百分点。
目前该开源项目已支持文档解析、图谱构建、双路检索、可视化编排等完整功能,可独立部署于企业私有环境。项目采用Apache-2.0协议,提供从容器部署到模型注册的完整配置,企业无需依赖Redis、Kafka等中间件即可复用现有运维体系。
知识工程正在从“水电”般的基础设施演变为AI落地的关键环节。Knowledge Studio的开源,让企业首次拥有了既能组织知识、又能验证答案的确定性AI工具。