飞书知识库 RAG 智能问答 Agent产品系统

企业拥有庞大的资料库：

- 客服岗位涉及的资料包括：产品资料、故障资料、服务规则、业务流程、历史记录...

- 销售岗位涉及的资料包括：产品资料、价格资料、方案资料、案例资料、竞品资料、客户资料...

庞大的资料库带来的问题

- **查询效率低**

资料分散、数量庞大，员工需要反复查找、核对，难以及时获得准确答案。

- **培训成本高**

新员工培训周期长；业务熟悉过程边际效应明显；人员流动带来持续的企业知识磨损。

- **信息不同步**

企业经营过程中不断产生新的信息，经常会出现信息不一致、理解不一致的情况。

- **交易风险**

员工可能带着有误的理解或查询到了过时的资料，对客户做出不正确的承诺，导致企业损失。

- **机会流失**

员工无法及时找到合适的产品、方案或案例，客户等待过久，导致成交机会流失。

投标书、报价方案等交付时限紧，资料分析不充分，方案难以细化，影响竞争力和成交率。

- **重复劳动多**

已有方案和经验难以复用，不同员工、团队重复调研、分析和编写资料，增加人力成本。

- **协作成本高**

员工难以自行找到答案，反复向同事求助，打断他人工作，关键人员成为业务瓶颈。

- **决策依据不足**

资料难以全面梳理，管理者容易依据局部信息或个人经验做决策，影响资源配置和经营判断。



### 解决方案：全文检索

全文检索能帮助员工找到相关资料，但后续的阅读、判断和整理仍主要靠人。

- **依赖关键词**

员工需要知道搜什么；提问与资料用词不同，可能漏掉相关内容。同义词配置可以缓解这一问题。

- **阅读负担仍然大**

搜索返回相关文档或片段，员工仍需逐一阅读、筛选，才能找到答案。

很多时候答案分散在多份资料中时，仍需人工关联、比较

基于 LangGraph 的飞书知识库 RAG 问答系统：将飞书文档、表格、图片索引到 Milvus，混合检索 + 来源引用实现可溯源问答；配套 Nacos AI 能力治理与 LiteLLM 模型网关，保障成本可控、高可用。

索引流水线：LangGraph 编排飞书 API 拉取 → 归一化 → 结构化切片（文本/表格、保留父子关系）→ 图片 OCR + 视觉模型双路提取 → 入库 Milvus。
混合检索：稠密向量（语义）+ 稀疏向量/BM25（关键词精确），父子切片实现"子块命中、父块上下文"，答案携带来源引用。
AI 资源治理：Nacos Registry 统一管理 Prompt、Skill、MCP、AgentSpec，动态配置下发，改 Prompt 无需发版。
模型网关高可用：LiteLLM 双层并发控制——模型侧熔断回退、网关侧请求排队；会话粘性路由保持同会话同模型，避免 KV Cache 失效。
沙箱隔离：OpenSandbox 用户级执行环境，私有卷持久化用户数据、共享卷只读复用公共资源；MinIO 存储交付执行产物。
评测与告警：建立 Agent Benchmark 回归基线（Langfuse 离线评测）；成本/线上评估/异常三类信号告警接入企业 SMS。