Problem 01说不出出处
答案读着通顺，却回不到原文核对，业务上不敢直接采信。
给 AI 用的
企业上下文层
让 AI 回答业务问题时说得出出处，且不把过期数字当成现在的数字。
// 面向企业决策者与渠道合作伙伴 · 数据口径 2026-08-31
// 本文为公开版，具体标识已替换为占位符，凭据剔除类计数已移除
本地向量 · 1024 维
向量 + 全文 RRF 融合
数字不进索引 · 现查端点
每日 07:30 增量重建
9 类凭据正则准入
溯源强制 · 无出处不进库
0
块已索引知识100% 带向量 · 242.3 MB
0
类数据源覆盖 6 个代码仓
0
维向量本地生成 · 不出企业
0
类凭据正则入库前逐行剔除
SCROLL / 向下滚动
01
The Real Problem
企业里 AI 答不好的两件事
不是答不出来，是答了没法核——说不出出处，或把上次重建时的数字当成现在的数字。
两个失效方向与目标区
定位示意 · 非评测数据
// 横轴 = 出处可核 · 纵轴 = 数字时效
Problem 02把过期数字当现在
余额、成本、进度这类数字一进索引，就冻结在重建那一刻。
02
Cold / Hot Split
冷热分腿 · 数字不进索引
静态知识走索引，随时会变的数字每次现查真实端点——两条腿分开走，互不污染。
一次提问的两条取数路径
架构示意 · 2026-08-31
// 青 = 索引腿 · 蓝 = 现查腿
为什么必须分腿
数字一旦写进索引，就冻在重建那一刻；下次重建之前，所有人看到的都是旧值——而这类问题恰恰最常被拿去做决策。
03
Indexing Pipeline
一份资料怎么进大脑
六步落库，每步可独立重跑；内容没变就跳过，不重复计算。
01
抽取 从 5 类数据源取出文档、协作记录、经验沉淀与代码定位卡
抽取 从 5 类数据源取出文档、协作记录、经验沉淀与代码定位卡
02
凭据闸 文件级黑名单 ＋ 9 类凭据正则逐行剔除，导出数据与个人信息一并排除
凭据闸 文件级黑名单 ＋ 9 类凭据正则逐行剔除，导出数据与个人信息一并排除
03
切块 按语义边界切成可检索的知识块，每块必须带出处 URL，没有出处不进库
切块 按语义边界切成可检索的知识块，每块必须带出处 URL，没有出处不进库
04
哈希增量 内容哈希比对，命中即跳过——上轮新增 0 / 更新 1 / 跳过 30,789
哈希增量 内容哈希比对，命中即跳过——上轮新增 0 / 更新 1 / 跳过 30,789
05
向量化 本地模型生成 1024 维向量，语料与向量都不出企业
向量化 本地模型生成 1024 维向量，语料与向量都不出企业
06
落库 向量与全文索引一并落库，当前 30,790 块 · 100% 带向量
落库 向量与全文索引一并落库，当前 30,790 块 · 100% 带向量
// 实测吞吐 6.7–8.1 块/秒 · 单次增量重建 34–78 秒 · 每天 07:30 自动跑
04
Corpus Composition
30,790 块知识从哪来
当前 5 类数据源在库，全部是团队自身产出的知识资产。
各来源已索引块数
块 · 数据口径 2026-08-31
// 条长按最大类归一 · 合计 30,790 块
代码只进「定位卡」
只索引位置与用途，不收函数体；检索结果强制附「须回源码复核」。
库体量与覆盖面
242.3 MB，覆盖 5 类数据源与 6 个代码仓，100% 块带向量。
05
Hybrid Retrieval
两路检索，一次融合
向量找语义相近，全文找关键词精确；加权 RRF 合成一份排序，两路各留保底。
检索融合路径
机制示意 · 2026-08-31
// 实线 = 向量路 · 虚线 = 全文路 · 两路 top1 无条件保底
06
Ingestion Gates
三道闸，凭据进不来
凭据、导出数据与个人信息在入库前被剔除——不进索引，自然也检索不到。
0
道准入闸文件 · 行 · 字段
0
类凭据正则逐行匹配
0
个人工放行环节三闸全自动
准入三闸执行顺序
入库前 · 全自动
Gate 01 · File文件级黑名单凭据文件整份不入库
Gate 02 · Line行级正则9 类凭据正则逐行剔除
Gate 03 · Field导出与个人信息排除数据导出与个人信息不进索引
// 三闸全自动执行，无人工放行环节
07
Anti-Hallucination
四条硬规则
不是靠提示词劝模型别乱说，是靠入库与检索的规则把话说死。
Rule 01溯源强制
每条记录必须带出处 URL，没有出处不进库。
Rule 02数字不进索引
余额、成本、进度这类数字每次现查真实端点。
Rule 03代码只进定位卡
不收函数体，检索结果强制附须回源码复核。
Rule 04结果附索引时间
每行结果标出处、相关度、命中方式与索引时间。
这四条解决的是什么
让 AI 的每一句话都能被人当场验证：出处点得开、数字是刚查的、代码要回源、时效写在脸上。
08
Roadmap & Scope
实施路线与当前边界
当前语料为团队自身知识资产；业务系统语料接入属于实施阶段工作。
三期实施路线
交付边界 · 口径 2026-08-31
Phase 01 · 已建成知识资产接入文档、协作记录、经验沉淀与代码定位卡
Phase 02 · 实施阶段业务系统语料工单、客服、CRM 等按需逐个接入
Phase 03 · 规划中Agent 深度集成接进企业自有 AI 助手与业务流程
// 青 = 已建成 · 琥珀 = 需实施投入 · 灰 = 未启动
Scope
当前索引的 30,790 块不含任何客户业务语料。工单、客服记录、CRM 等业务系统的接入需要在实施阶段逐个对接，工作量随源系统数量与数据规范程度变化——这一节写在这里，是为了让交付边界在签约前就是清楚的。
09
Partnership
合作形态与对接流程
本页不含报价；合作形态与实施范围按语料规模与接入方式另行商定。
Model A企业直接合作
由我方完成语料接入、上线与交付，企业侧只需指派对接人。
Model B渠道代理
代理方负责客户对接与商务，我方承担实施与技术支持。
Model C联合实施
与客户 IT 团队共建，我方提供架构、准入规范与培训。
对接流程
四步 · 从接触到交付
Step 01需求对接明确使用场景与提问类型
Step 02语料盘点清点可接入的系统与文档范围
Step 03试点接入选一个部门先跑通索引与检索
Step 04交付与培训交付准入规范并培训对接人
// 琥珀 = 需人参与 · 青 = 系统自动完成
一句话总括：辰焰科技交付的不是又一个搜索框，而是一层给 AI 用的企业上下文——静态知识走索引、实时数字现查端点，每条答案都说得出出处、标得出索引时间。
说明
本页所列合作形态与对接流程为拟定框架，用于说明协作方式，不构成服务承诺；具体范围、责任与交付标准以双方合同约定为准。