从dify、coze、飞书、obsidian看rag架构

从 Dify、Coze、飞书、Obsidian 看下一代 RAG 知识库架构

引言

过去两年，RAG（Retrieval-Augmented Generation，检索增强生成）成为企业构建 AI 知识库的主流方案。然而，大量企业在投入数月时间建设知识库后，发现最终效果并不理想：

检索结果不准确
回答内容存在幻觉
权限控制缺失
知识更新困难
Agent 能力不足

问题往往不在于大模型本身，而在于知识库架构设计。

本文通过分析 Dify、Coze、飞书知识库、Obsidian 四类典型产品，尝试总结下一代企业知识库的发展方向。

说明：文中穿插的代码片段并不是这些产品的真实源码，而是用于解释其架构思想的简化实现。

一、Dify：从 RAG 到 Context Engineering

Dify 是目前最流行的开源 LLM 应用开发平台之一。

很多人认为 Dify 的核心能力是 Workflow 或 Agent，但实际上其最大的技术价值在于：

Context Engineering（上下文工程）

1.1 Knowledge Pipeline

传统 RAG 流程：

text 复制代码

Document
    ↓
Chunk
    ↓
Embedding
    ↓
Vector DB

Dify 的 Knowledge Pipeline：

text 复制代码

Document
    ↓
OCR
    ↓
Table Parsing
    ↓
Image Parsing
    ↓
Metadata Enrichment
    ↓
Chunk
    ↓
QA Generation
    ↓
Embedding

相比传统方案，Dify 更关注数据预处理质量。

其核心思想：

Garbage In, Garbage Out

检索效果差，很多时候并不是 Embedding 模型的问题，而是知识库预处理质量不足。

1.2 Hybrid Search

早期 RAG 大多采用：

text 复制代码

Vector Search

生产环境中往往会出现：

专有名词召回失败
精确关键词匹配失败
数字类内容检索效果差

因此 Dify 引入：

text 复制代码

BM25
+
Vector Search

形成：

text 复制代码

Hybrid Search

架构如下：

text 复制代码

Query
 │
 ├── BM25
 │
 └── Vector Search
        │
        ▼
     Merge
        │
        ▼
      Rerank
        │
        ▼
      Top-K

1.3 Rerank

仅依赖向量相似度排序存在明显问题：

text 复制代码

Query:
SpringBoot 分库分表方案

可能召回：

text 复制代码

SpringCloud
Spring Security
Spring MVC

虽然语义接近，但不符合真实需求。

因此引入：

text 复制代码

Cross Encoder

进行二次排序：

text 复制代码

Retriever
    ↓
Top 50
    ↓
Rerank
    ↓
Top 5

这已经成为企业级 RAG 的标准配置。

1.4 一个简化的混合检索代码示例

下面这段代码体现的正是 Dify 这一类产品强调的核心思想：先尽量把候选集召回全，再通过重排提高最终相关性。

python 复制代码

from typing import Any


def hybrid_retrieve(query: str, top_k: int = 5) -> list[dict[str, Any]]:
    sparse_hits = bm25.search(query, top_k=20)
    dense_hits = vector_store.search(
        embedding_model.embed_query(query),
        top_k=20,
        filters={"status": "published"},
    )

    merged_hits = reciprocal_rank_fusion([sparse_hits, dense_hits])
    reranked_hits = reranker.rerank(query=query, documents=merged_hits)
    return reranked_hits[:top_k]


def answer(query: str) -> str:
    docs = hybrid_retrieve(query)
    context = "\n\n".join(doc["content"] for doc in docs)
    prompt = f"基于以下上下文回答问题。\n\n上下文：\n{context}\n\n问题：{query}"
    return llm.generate(prompt)

这个实现对应了典型的企业级检索链路：

稀疏检索负责关键词命中
向量检索负责语义召回
融合算法负责合并候选集
Reranker 负责把真正有用的内容推到前面

1.5 对应的 Mermaid 时序图

LLM Reranker Vector DB BM25 RAG API LLM Reranker Vector DB BM25 RAG API #mermaid-svg-ngCseKwLioBKUMyj{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-ngCseKwLioBKUMyj .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-ngCseKwLioBKUMyj .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-ngCseKwLioBKUMyj .error-icon{fill:#552222;}#mermaid-svg-ngCseKwLioBKUMyj .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-ngCseKwLioBKUMyj .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-ngCseKwLioBKUMyj .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-ngCseKwLioBKUMyj .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-ngCseKwLioBKUMyj .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-ngCseKwLioBKUMyj .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-ngCseKwLioBKUMyj .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-ngCseKwLioBKUMyj .marker{fill:#333333;stroke:#333333;}#mermaid-svg-ngCseKwLioBKUMyj .marker.cross{stroke:#333333;}#mermaid-svg-ngCseKwLioBKUMyj svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-ngCseKwLioBKUMyj p{margin:0;}#mermaid-svg-ngCseKwLioBKUMyj .actor{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-ngCseKwLioBKUMyj text.actor>tspan{fill:black;stroke:none;}#mermaid-svg-ngCseKwLioBKUMyj .actor-line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-ngCseKwLioBKUMyj .innerArc{stroke-width:1.5;stroke-dasharray:none;}#mermaid-svg-ngCseKwLioBKUMyj .messageLine0{stroke-width:1.5;stroke-dasharray:none;stroke:#333;}#mermaid-svg-ngCseKwLioBKUMyj .messageLine1{stroke-width:1.5;stroke-dasharray:2,2;stroke:#333;}#mermaid-svg-ngCseKwLioBKUMyj #arrowhead path{fill:#333;stroke:#333;}#mermaid-svg-ngCseKwLioBKUMyj .sequenceNumber{fill:white;}#mermaid-svg-ngCseKwLioBKUMyj #sequencenumber{fill:#333;}#mermaid-svg-ngCseKwLioBKUMyj #crosshead path{fill:#333;stroke:#333;}#mermaid-svg-ngCseKwLioBKUMyj .messageText{fill:#333;stroke:none;}#mermaid-svg-ngCseKwLioBKUMyj .labelBox{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-ngCseKwLioBKUMyj .labelText,#mermaid-svg-ngCseKwLioBKUMyj .labelText>tspan{fill:black;stroke:none;}#mermaid-svg-ngCseKwLioBKUMyj .loopText,#mermaid-svg-ngCseKwLioBKUMyj .loopText>tspan{fill:black;stroke:none;}#mermaid-svg-ngCseKwLioBKUMyj .loopLine{stroke-width:2px;stroke-dasharray:2,2;stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-ngCseKwLioBKUMyj .note{stroke:#aaaa33;fill:#fff5ad;}#mermaid-svg-ngCseKwLioBKUMyj .noteText,#mermaid-svg-ngCseKwLioBKUMyj .noteText>tspan{fill:black;stroke:none;}#mermaid-svg-ngCseKwLioBKUMyj .activation0{fill:#f4f4f4;stroke:#666;}#mermaid-svg-ngCseKwLioBKUMyj .activation1{fill:#f4f4f4;stroke:#666;}#mermaid-svg-ngCseKwLioBKUMyj .activation2{fill:#f4f4f4;stroke:#666;}#mermaid-svg-ngCseKwLioBKUMyj .actorPopupMenu{position:absolute;}#mermaid-svg-ngCseKwLioBKUMyj .actorPopupMenuPanel{position:absolute;fill:#ECECFF;box-shadow:0px 8px 16px 0px rgba(0,0,0,0.2);filter:drop-shadow(3px 5px 2px rgb(0 0 0 / 0.4));}#mermaid-svg-ngCseKwLioBKUMyj .actor-man line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-ngCseKwLioBKUMyj .actor-man circle,#mermaid-svg-ngCseKwLioBKUMyj line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;stroke-width:2px;}#mermaid-svg-ngCseKwLioBKUMyj :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} par $稀疏召回$ $语义召回$ merge + deduplicate User 提问(query)keyword_search(query)sparse_hitsvector_search(embed(query))dense_hitsrerank(query, candidates)top_docsgenerate(context, query)answer返回答案 User

1.6 Multimodal RAG

下一代知识库正在从：

text 复制代码

Text RAG

向：

text 复制代码

Multimodal RAG

演进。

支持：

text 复制代码

Text → Text
Text → Image
Image → Text
Image → Image

例如：

产品说明书
UI 设计图
CAD 图纸
医学影像
运维架构图

均可统一纳入知识库。

这意味着知识库不再只是"段落检索系统"，而更像"多模态上下文编排系统"。

二、Coze：从 RAG 到 Agent Runtime

很多人误以为 Coze 是知识库平台。

实际上：

text 复制代码

Coze ≠ RAG

Coze = Agent Runtime

其核心价值在于 Agent 编排能力。

2.1 Agent Runtime

传统聊天机器人：

text 复制代码

User
  ↓
LLM
  ↓
Answer

Coze：

text 复制代码

User
  ↓
Planner
  ↓
Workflow
  ↓
Tool
  ↓
Knowledge
  ↓
Memory
  ↓
LLM

核心思想：

Agent = LLM + Tool + Memory + Planning

2.2 Workflow Engine

Coze 大量能力建立在 DAG 工作流之上。

text 复制代码

Start
  ↓
Knowledge Search
  ↓
Condition
 ├── Tool A
 └── Tool B
  ↓
Answer

相比传统 Prompt：

text 复制代码

Prompt Engineering

Coze 更强调：

text 复制代码

Workflow Engineering

2.3 Memory 机制

Agent 与普通 RAG 的最大区别：

text 复制代码

Memory

典型设计：

Short-Term Memory

text 复制代码

Redis

保存最近对话。

Long-Term Memory

text 复制代码

Vector DB

保存长期用户信息。

Knowledge Base

text 复制代码

企业知识库

保存业务知识。

最终形成：

text 复制代码

Memory
+
Knowledge
+
Tool

三层架构。

2.4 一个简化的 Agent Runtime 代码示例

如果把 Coze 的设计思想翻译成代码，大致会长这样：

python 复制代码

class AgentRuntime:
    def __init__(self, planner, memory, knowledge, tool_executor, llm):
        self.planner = planner
        self.memory = memory
        self.knowledge = knowledge
        self.tool_executor = tool_executor
        self.llm = llm

    def run(self, user_id: str, query: str) -> str:
        plan = self.planner.create_plan(query)
        memory_context = self.memory.load(user_id)
        knowledge_context = self.knowledge.search(query, user_id=user_id)

        tool_result = None
        if plan.need_tool:
            tool_result = self.tool_executor.invoke(
                plan.tool_name,
                plan.tool_args,
            )

        prompt = build_agent_prompt(
            query=query,
            plan=plan,
            memory=memory_context,
            knowledge=knowledge_context,
            tool_result=tool_result,
        )

        answer = self.llm.generate(prompt)
        self.memory.save_turn(user_id, query, answer)
        return answer

这里最关键的不是"调用了一次 LLM"，而是把规划、记忆、工具、知识检索都纳入统一执行上下文。

2.5 对应的 Mermaid 时序图

LLM Tool Executor Knowledge Memory Planner Agent Runtime LLM Tool Executor Knowledge Memory Planner Agent Runtime #mermaid-svg-teBWtTyzX59GY3p8{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-teBWtTyzX59GY3p8 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-teBWtTyzX59GY3p8 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-teBWtTyzX59GY3p8 .error-icon{fill:#552222;}#mermaid-svg-teBWtTyzX59GY3p8 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-teBWtTyzX59GY3p8 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-teBWtTyzX59GY3p8 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-teBWtTyzX59GY3p8 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-teBWtTyzX59GY3p8 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-teBWtTyzX59GY3p8 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-teBWtTyzX59GY3p8 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-teBWtTyzX59GY3p8 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-teBWtTyzX59GY3p8 .marker.cross{stroke:#333333;}#mermaid-svg-teBWtTyzX59GY3p8 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-teBWtTyzX59GY3p8 p{margin:0;}#mermaid-svg-teBWtTyzX59GY3p8 .actor{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-teBWtTyzX59GY3p8 text.actor>tspan{fill:black;stroke:none;}#mermaid-svg-teBWtTyzX59GY3p8 .actor-line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-teBWtTyzX59GY3p8 .innerArc{stroke-width:1.5;stroke-dasharray:none;}#mermaid-svg-teBWtTyzX59GY3p8 .messageLine0{stroke-width:1.5;stroke-dasharray:none;stroke:#333;}#mermaid-svg-teBWtTyzX59GY3p8 .messageLine1{stroke-width:1.5;stroke-dasharray:2,2;stroke:#333;}#mermaid-svg-teBWtTyzX59GY3p8 #arrowhead path{fill:#333;stroke:#333;}#mermaid-svg-teBWtTyzX59GY3p8 .sequenceNumber{fill:white;}#mermaid-svg-teBWtTyzX59GY3p8 #sequencenumber{fill:#333;}#mermaid-svg-teBWtTyzX59GY3p8 #crosshead path{fill:#333;stroke:#333;}#mermaid-svg-teBWtTyzX59GY3p8 .messageText{fill:#333;stroke:none;}#mermaid-svg-teBWtTyzX59GY3p8 .labelBox{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-teBWtTyzX59GY3p8 .labelText,#mermaid-svg-teBWtTyzX59GY3p8 .labelText>tspan{fill:black;stroke:none;}#mermaid-svg-teBWtTyzX59GY3p8 .loopText,#mermaid-svg-teBWtTyzX59GY3p8 .loopText>tspan{fill:black;stroke:none;}#mermaid-svg-teBWtTyzX59GY3p8 .loopLine{stroke-width:2px;stroke-dasharray:2,2;stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-teBWtTyzX59GY3p8 .note{stroke:#aaaa33;fill:#fff5ad;}#mermaid-svg-teBWtTyzX59GY3p8 .noteText,#mermaid-svg-teBWtTyzX59GY3p8 .noteText>tspan{fill:black;stroke:none;}#mermaid-svg-teBWtTyzX59GY3p8 .activation0{fill:#f4f4f4;stroke:#666;}#mermaid-svg-teBWtTyzX59GY3p8 .activation1{fill:#f4f4f4;stroke:#666;}#mermaid-svg-teBWtTyzX59GY3p8 .activation2{fill:#f4f4f4;stroke:#666;}#mermaid-svg-teBWtTyzX59GY3p8 .actorPopupMenu{position:absolute;}#mermaid-svg-teBWtTyzX59GY3p8 .actorPopupMenuPanel{position:absolute;fill:#ECECFF;box-shadow:0px 8px 16px 0px rgba(0,0,0,0.2);filter:drop-shadow(3px 5px 2px rgb(0 0 0 / 0.4));}#mermaid-svg-teBWtTyzX59GY3p8 .actor-man line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-teBWtTyzX59GY3p8 .actor-man circle,#mermaid-svg-teBWtTyzX59GY3p8 line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;stroke-width:2px;}#mermaid-svg-teBWtTyzX59GY3p8 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} opt $需要工具$ User 提问(query)create_plan(query)planload(user_id)memory_contextsearch(query, user_id)knowledge_contextinvoke(tool_name, tool_args)tool_resultgenerate(plan + memory + knowledge + tool)answersave_turn(user_id, query, answer)返回答案 User

2.6 Coze 真正解决的不是"能不能答"，而是"能不能执行"

普通 RAG 的目标通常是：

text 复制代码

Find Answer

而 Coze 这类 Agent 平台的目标更接近：

text 复制代码

Understand Intent
→ Plan
→ Retrieve
→ Use Tool
→ Complete Task

因此，它的竞争力并不在检索本身，而在"任务闭环能力"。

三、飞书：企业知识库的本质是知识治理

很多开源 RAG 项目关注：

text 复制代码

Embedding
Chunk
Vector DB

但企业真正关心的是：

text 复制代码

权限

3.1 ACL 权限模型

普通 RAG：

text 复制代码

Query
  ↓
Retriever
  ↓
Answer

企业级 RAG：

text 复制代码

User
  ↓
ACL Filter
  ↓
Retriever
  ↓
Rerank
  ↓
Answer

先过滤权限。

再执行检索。

3.2 企业知识统一索引

企业知识往往分散在：

text 复制代码

Wiki
Word
Excel
PDF
数据库
会议纪要
代码仓库

飞书的思路：

text 复制代码

统一索引

即：

text 复制代码

Document Layer
       ↓
Search Layer
       ↓
Knowledge Layer

3.3 Metadata 驱动治理

企业知识库不仅需要存储内容：

text 复制代码

Content

还需要维护：

text 复制代码

Owner
Department
Permission
Tag
Category
UpdateTime

形成：

text 复制代码

Metadata Driven Architecture

3.4 为什么很多企业 RAG 项目失败

根本原因通常不是：

text 复制代码

模型不够强

而是：

text 复制代码

权限混乱
知识无人维护
文档过期

因此：

企业知识库首先是知识治理系统，其次才是 AI 系统。

3.5 一个简化的 ACL 检索代码示例

下面这段代码体现了企业级知识库与普通 Demo 最大的差异：检索不是从"问题"开始，而是从"用户身份"开始。

python 复制代码

def search_with_acl(user, query: str, top_k: int = 5):
    allowed_scopes = acl_service.resolve_scopes(
        user_id=user.id,
        departments=user.departments,
        groups=user.groups,
    )

    filters = {
        "department": {"$in": allowed_scopes.departments},
        "doc_status": "published",
        "security_level": {"$lte": user.security_level},
    }

    hits = retriever.search(
        query=query,
        filters=filters,
        top_k=30,
    )
    reranked = reranker.rerank(query, hits)
    return reranked[:top_k]

这里最重要的工程原则是：

权限过滤要尽量前置
检索层要支持 metadata filter 下推
最终答案最好附带引用来源，便于审计与追责

3.6 对应的 Mermaid 时序图

LLM Reranker Search Engine ACL Service Gateway LLM Reranker Search Engine ACL Service Gateway #mermaid-svg-wcTYGR5dOVj3Mu7q{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-wcTYGR5dOVj3Mu7q .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-wcTYGR5dOVj3Mu7q .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-wcTYGR5dOVj3Mu7q .error-icon{fill:#552222;}#mermaid-svg-wcTYGR5dOVj3Mu7q .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-wcTYGR5dOVj3Mu7q .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-wcTYGR5dOVj3Mu7q .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-wcTYGR5dOVj3Mu7q .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-wcTYGR5dOVj3Mu7q .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-wcTYGR5dOVj3Mu7q .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-wcTYGR5dOVj3Mu7q .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-wcTYGR5dOVj3Mu7q .marker{fill:#333333;stroke:#333333;}#mermaid-svg-wcTYGR5dOVj3Mu7q .marker.cross{stroke:#333333;}#mermaid-svg-wcTYGR5dOVj3Mu7q svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-wcTYGR5dOVj3Mu7q p{margin:0;}#mermaid-svg-wcTYGR5dOVj3Mu7q .actor{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-wcTYGR5dOVj3Mu7q text.actor>tspan{fill:black;stroke:none;}#mermaid-svg-wcTYGR5dOVj3Mu7q .actor-line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-wcTYGR5dOVj3Mu7q .innerArc{stroke-width:1.5;stroke-dasharray:none;}#mermaid-svg-wcTYGR5dOVj3Mu7q .messageLine0{stroke-width:1.5;stroke-dasharray:none;stroke:#333;}#mermaid-svg-wcTYGR5dOVj3Mu7q .messageLine1{stroke-width:1.5;stroke-dasharray:2,2;stroke:#333;}#mermaid-svg-wcTYGR5dOVj3Mu7q #arrowhead path{fill:#333;stroke:#333;}#mermaid-svg-wcTYGR5dOVj3Mu7q .sequenceNumber{fill:white;}#mermaid-svg-wcTYGR5dOVj3Mu7q #sequencenumber{fill:#333;}#mermaid-svg-wcTYGR5dOVj3Mu7q #crosshead path{fill:#333;stroke:#333;}#mermaid-svg-wcTYGR5dOVj3Mu7q .messageText{fill:#333;stroke:none;}#mermaid-svg-wcTYGR5dOVj3Mu7q .labelBox{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-wcTYGR5dOVj3Mu7q .labelText,#mermaid-svg-wcTYGR5dOVj3Mu7q .labelText>tspan{fill:black;stroke:none;}#mermaid-svg-wcTYGR5dOVj3Mu7q .loopText,#mermaid-svg-wcTYGR5dOVj3Mu7q .loopText>tspan{fill:black;stroke:none;}#mermaid-svg-wcTYGR5dOVj3Mu7q .loopLine{stroke-width:2px;stroke-dasharray:2,2;stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-wcTYGR5dOVj3Mu7q .note{stroke:#aaaa33;fill:#fff5ad;}#mermaid-svg-wcTYGR5dOVj3Mu7q .noteText,#mermaid-svg-wcTYGR5dOVj3Mu7q .noteText>tspan{fill:black;stroke:none;}#mermaid-svg-wcTYGR5dOVj3Mu7q .activation0{fill:#f4f4f4;stroke:#666;}#mermaid-svg-wcTYGR5dOVj3Mu7q .activation1{fill:#f4f4f4;stroke:#666;}#mermaid-svg-wcTYGR5dOVj3Mu7q .activation2{fill:#f4f4f4;stroke:#666;}#mermaid-svg-wcTYGR5dOVj3Mu7q .actorPopupMenu{position:absolute;}#mermaid-svg-wcTYGR5dOVj3Mu7q .actorPopupMenuPanel{position:absolute;fill:#ECECFF;box-shadow:0px 8px 16px 0px rgba(0,0,0,0.2);filter:drop-shadow(3px 5px 2px rgb(0 0 0 / 0.4));}#mermaid-svg-wcTYGR5dOVj3Mu7q .actor-man line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-wcTYGR5dOVj3Mu7q .actor-man circle,#mermaid-svg-wcTYGR5dOVj3Mu7q line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;stroke-width:2px;}#mermaid-svg-wcTYGR5dOVj3Mu7q :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} User 提问(query, token)resolve_scopes(user)allowed_scopessearch(query, filters)candidatesrerank(query, candidates)top_docsgenerate(top_docs, query)answer + citations返回答案 User

3.7 飞书这一类产品真正强的地方

飞书知识库这一类产品最强的部分，常常不是模型能力，而是以下几个"非模型能力"：

原生组织架构
文档权限体系
审批与流程能力
文档生命周期管理
多来源统一索引

这些能力看起来"不性感"，却恰恰决定了企业知识库能不能真正上线。

四、Obsidian：知识图谱驱动的第二大脑

Obsidian 最大的创新不是 Markdown。

而是：

text 复制代码

Wiki Link

4.1 双向链接

例如：

markdown 复制代码

[[SpringBoot]]

[[Kafka]]

[[Milvus]]

自动形成：

text 复制代码

Knowledge Graph

4.2 Graph View

知识之间的关系天然是：

text 复制代码

Graph

而不是：

text 复制代码

Tree

例如：

text 复制代码

Java
 │
 ├── Spring
 │     └── SpringBoot
 │
 └── Kafka

形成图结构。

4.3 GraphRAG

传统 RAG：

text 复制代码

Embedding Search

GraphRAG：

text 复制代码

Embedding Search
+
Graph Traversal

例如：

text 复制代码

Java
 ↓
Spring
 ↓
SpringBoot
 ↓
MyBatis

系统能够发现隐含关联。

4.4 Local First

Obsidian 强调：

text 复制代码

Local First

特点：

Markdown 存储
本地数据
用户完全控制
插件扩展

未来个人知识库很可能采用：

text 复制代码

Obsidian
+
GraphRAG
+
Local LLM

模式。

4.5 一个简化的 GraphRAG 代码示例

GraphRAG 的关键不是"把图数据库接进来"这么简单，而是先用语义检索找到种子节点，再沿图结构做关系扩展。

python 复制代码

def graph_rag(query: str, seed_top_k: int = 5, hop: int = 2):
    seed_docs = vector_store.search(query=query, top_k=seed_top_k)

    expanded_nodes = []
    for doc in seed_docs:
        expanded_nodes.extend(
            graph_store.expand(
                node_id=doc["node_id"],
                max_hop=hop,
                edge_types=["reference", "belongs_to", "depends_on"],
            )
        )

    candidates = deduplicate(seed_docs + expanded_nodes)
    ranked_docs = graph_aware_reranker.rerank(query, candidates)
    return ranked_docs[:8]

这样的好处是，系统不仅能找到"相似文本"，还能够找到"结构上相关"的知识节点。

4.6 对应的 Mermaid 时序图

LLM Graph Reranker Graph Store Vector Store GraphRAG API LLM Graph Reranker Graph Store Vector Store GraphRAG API #mermaid-svg-KJlzV33l9T4jCQqa{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-KJlzV33l9T4jCQqa .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-KJlzV33l9T4jCQqa .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-KJlzV33l9T4jCQqa .error-icon{fill:#552222;}#mermaid-svg-KJlzV33l9T4jCQqa .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-KJlzV33l9T4jCQqa .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-KJlzV33l9T4jCQqa .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-KJlzV33l9T4jCQqa .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-KJlzV33l9T4jCQqa .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-KJlzV33l9T4jCQqa .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-KJlzV33l9T4jCQqa .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-KJlzV33l9T4jCQqa .marker{fill:#333333;stroke:#333333;}#mermaid-svg-KJlzV33l9T4jCQqa .marker.cross{stroke:#333333;}#mermaid-svg-KJlzV33l9T4jCQqa svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-KJlzV33l9T4jCQqa p{margin:0;}#mermaid-svg-KJlzV33l9T4jCQqa .actor{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-KJlzV33l9T4jCQqa text.actor>tspan{fill:black;stroke:none;}#mermaid-svg-KJlzV33l9T4jCQqa .actor-line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-KJlzV33l9T4jCQqa .innerArc{stroke-width:1.5;stroke-dasharray:none;}#mermaid-svg-KJlzV33l9T4jCQqa .messageLine0{stroke-width:1.5;stroke-dasharray:none;stroke:#333;}#mermaid-svg-KJlzV33l9T4jCQqa .messageLine1{stroke-width:1.5;stroke-dasharray:2,2;stroke:#333;}#mermaid-svg-KJlzV33l9T4jCQqa #arrowhead path{fill:#333;stroke:#333;}#mermaid-svg-KJlzV33l9T4jCQqa .sequenceNumber{fill:white;}#mermaid-svg-KJlzV33l9T4jCQqa #sequencenumber{fill:#333;}#mermaid-svg-KJlzV33l9T4jCQqa #crosshead path{fill:#333;stroke:#333;}#mermaid-svg-KJlzV33l9T4jCQqa .messageText{fill:#333;stroke:none;}#mermaid-svg-KJlzV33l9T4jCQqa .labelBox{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-KJlzV33l9T4jCQqa .labelText,#mermaid-svg-KJlzV33l9T4jCQqa .labelText>tspan{fill:black;stroke:none;}#mermaid-svg-KJlzV33l9T4jCQqa .loopText,#mermaid-svg-KJlzV33l9T4jCQqa .loopText>tspan{fill:black;stroke:none;}#mermaid-svg-KJlzV33l9T4jCQqa .loopLine{stroke-width:2px;stroke-dasharray:2,2;stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-KJlzV33l9T4jCQqa .note{stroke:#aaaa33;fill:#fff5ad;}#mermaid-svg-KJlzV33l9T4jCQqa .noteText,#mermaid-svg-KJlzV33l9T4jCQqa .noteText>tspan{fill:black;stroke:none;}#mermaid-svg-KJlzV33l9T4jCQqa .activation0{fill:#f4f4f4;stroke:#666;}#mermaid-svg-KJlzV33l9T4jCQqa .activation1{fill:#f4f4f4;stroke:#666;}#mermaid-svg-KJlzV33l9T4jCQqa .activation2{fill:#f4f4f4;stroke:#666;}#mermaid-svg-KJlzV33l9T4jCQqa .actorPopupMenu{position:absolute;}#mermaid-svg-KJlzV33l9T4jCQqa .actorPopupMenuPanel{position:absolute;fill:#ECECFF;box-shadow:0px 8px 16px 0px rgba(0,0,0,0.2);filter:drop-shadow(3px 5px 2px rgb(0 0 0 / 0.4));}#mermaid-svg-KJlzV33l9T4jCQqa .actor-man line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-KJlzV33l9T4jCQqa .actor-man circle,#mermaid-svg-KJlzV33l9T4jCQqa line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;stroke-width:2px;}#mermaid-svg-KJlzV33l9T4jCQqa :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} loop $for each seed_doc$ merge + deduplicate User 提问(query)semantic_search(query)seed_docsexpand_neighbors(node_id, hop=2)related_nodesrerank(query, candidates)top_docsgenerate(graph_context, query)answer返回答案 User

4.7 Obsidian 带来的启发

Obsidian 的意义在于提醒我们：

知识库不一定只能围绕"文档分块"构建，也可以围绕"知识节点关系"构建。

这对企业研发知识库、专家经验库、项目复盘库尤其重要，因为这些场景中的知识往往高度依赖上下游关系。

五、下一代企业知识库架构

综合四类产品的设计思想，可以得到一个更完整的企业级知识库架构。

text 复制代码

                ┌──────────────┐
                │ Documents    │
                └──────┬───────┘
                       │
               Knowledge Pipeline
                       │
                       ▼
                 Metadata Layer
                       │
                       ▼
                Embedding Layer
                       │
                       ▼
                 Vector Database
                       │
       ┌───────────────┼───────────────┐
       │               │               │
       ▼               ▼               ▼
    BM25         Vector Search    Graph Search
       │               │               │
       └────── Hybrid Retrieval ───────┘
                       │
                       ▼
                     Rerank
                       │
                       ▼
                   ACL Layer
                       │
                       ▼
                 Agent Runtime
                       │
         ┌─────────────┼─────────────┐
         │             │             │
         ▼             ▼             ▼
      Memory        Tool        Workflow
                       │
                       ▼
                      LLM
                       │
                       ▼
                    Answer

这一架构的核心不再是单点优化，而是多层协同：

Dify 提供高质量上下文构建能力
Coze 提供 Agent 运行时和流程编排能力
飞书提供权限、治理、索引与组织体系能力
Obsidian 提供图谱化组织知识的思路

从这个角度看，下一代企业知识库已经不只是"检索系统"，而是在向"Knowledge Operating System"演进。

六、真正决定成败的评估指标

很多团队做 RAG 时，只看"回答像不像"，但上线后真正要看的，往往是下面这些指标。

6.1 检索指标

Recall@K：该召回的文档有没有召回到
MRR / NDCG：真正有价值的文档排得靠不靠前
Top-K Hit Rate：前 K 个候选里是否包含正确证据

6.2 生成指标

Faithfulness：回答是否忠于引用内容
Citation Accuracy：引用是否准确
Hallucination Rate：是否存在脱离知识库的编造

6.3 工程指标

P95 Latency：高峰期响应时间是否可接受
Cost Per Query：单次问答成本是否可控
Freshness SLA：文档更新后多久能被检索到

6.4 安全指标

ACL Leakage Rate：是否出现越权命中
Sensitive Data Exposure：是否泄露敏感信息
Auditability：是否能追溯答案来源与处理链路

一句话总结：

没有评估体系，就没有真正可持续优化的 RAG 系统。

七、不同团队该怎么选

如果把这四类产品放到真实场景里，大致可以这样理解：

场景	更适合的思路	原因
中小团队搭内部问答助手	Dify 型	上手快，适合快速搭建检索问答
想做复杂任务闭环、自动执行流程	Coze 型	重点在 Agent Runtime 和 Workflow
大企业统一搜索、权限严格、系统众多	飞书型	重点在 ACL、治理、统一索引
个人知识管理、研究笔记、专家知识沉淀	Obsidian 型	重点在图谱关系与 Local First

很多项目失败，并不是"选错了工具"，而是"用知识问答的目标，去选 Agent 平台"，或者"用 Demo 级工具，去做企业治理问题"。

八、未来技术趋势

第一阶段

text 复制代码

Prompt Engineering

代表：

ChatGPT

第二阶段

text 复制代码

RAG

代表：

Dify
LangChain

第三阶段

text 复制代码

Agentic RAG

代表：

Coze
AutoGen
CrewAI

第四阶段

text 复制代码

GraphRAG

代表：

Microsoft GraphRAG
Obsidian Graph

第五阶段

text 复制代码

Knowledge Operating System

特点：

Knowledge Pipeline
Hybrid Retrieval
GraphRAG
ACL
Agent Runtime
Long-term Memory

总结

通过分析 Dify、Coze、飞书和 Obsidian 可以发现：

产品	核心思想
Dify	Context Engineering
Coze	Agent Runtime
飞书	Knowledge Governance
Obsidian	Knowledge Graph

未来企业知识库的发展路径大概率为：

text 复制代码

RAG
→ Agentic RAG
→ GraphRAG
→ Knowledge Operating System

真正优秀的知识库系统，不仅需要向量检索能力，更需要知识治理、权限控制、工作流编排、长期记忆以及知识图谱等能力的协同支撑。

如果再往前看一步，企业知识库最终拼的也许不是"谁接了更多模型"，而是"谁能把组织知识以最低成本、最高可信度、最可治理的方式持续运转起来"。