简介
问题陈述
组织内的知识散落各处——文档、会议纪要、邮件、聊天记录，甚至存在于人的脑海中。当有人调岗或离职时，他们积累的上下文也随之消失。新成员要花数周时间重新拼凑，反复问那些早已被回答过无数遍的问题。
传统搜索工具只能找到文档本身，无法提炼出理解。你仍然需要自己去阅读、交叉比对和综合整理。
KaaS 方案
KaaS（Knowledge as a Service） 采用了一种根本不同的方法：先编译，再检索（compile-then-retrieve）。
与其将原始文本切块嵌入向量库，期望相似性搜索能返回有用结果，KaaS 将内容通过 4 阶段 LLM 编译流水线处理：
原始内容 → 提取 → 分类 → 撰写 → 索引 → 结构化 Wiki- 提取（Extract） — 从原始素材中抽取概念、实体、决策和关系。
- 分类（Classify） — 判断每条知识应归属到哪篇 Wiki 文章。
- 撰写（Write） — 生成或合并具有良好结构和交叉链接的 Markdown 文章。
- 索引（Index） — 更新主索引，使知识库可导航、可查询。
最终产出是纯 Markdown Wiki，你可以阅读、编辑，并用 Git 管理——而非一个黑盒向量数据库。
KaaS 与传统 RAG 对比
| 传统 RAG | KaaS | |
|---|---|---|
| 处理方式 | 切块 & 嵌入原始文本 | 通过 LLM 流水线编译 |
| 存储 | 向量数据库（不透明） | Markdown Wiki（人类可读） |
| 检索 | 对切块做相似性搜索 | 基于结构化文章的 LLM 迭代检索 |
| 输出质量 | 拼凑的片段 | 连贯的、预先综合的文章 |
| 可维护性 | 每次变更需重新嵌入 | 增量编译 |
| 透明度 | 黑盒 | Git 管理、人类可编辑 |
RAG 通过检索原始切块来回答问题，期望 LLM 能临时将其综合起来。KaaS 则在编译阶段完成了困难的综合工作，因此检索时返回的是预先结构化的高质量文章——答案更准确、更连贯。
目标用户
- 团队 — 知识散落在各种文档、会议记录和口头传承中，希望将其编译成一个持久的、可导航的 Wiki，不会因人员变动而流失。
- 个人 — 在多个来源积累了笔记、书签和研究资料，希望将其蒸馏成结构化的个人知识库。
- 组织 — 厌倦了每次有新人入职就反复回答相同问题。
- 开发者 — 希望拥有一个可通过 MCP 从编码智能体（Claude Code、Codex 等）中查询的知识库。
核心特性
- 4 阶段编译流水线 — 提取概念/实体/决策，分类为文章，撰写/合并 Markdown，更新索引。
- 增量编译 — 仅重新编译新增或变更的内容，已有文章保留并合并。
- 多种输入源 — 支持粘贴文本、上传文件或提供 URL。
- 流式对话与引用 — 提出问题并获得基于 Wiki 文章的引用式回答。
- MCP 访问 — 通过
ask工具从任何支持 MCP 的编码智能体查询编译后的 Wiki。 - Git 友好输出 — 所有 Wiki 文章均为纯 Markdown，可版本化、可 diff。
- 并行加速 — 并发流水线工作器，含断路器和租约恢复机制。
- 兼容 OpenAI — 适配任何 OpenAI 兼容 LLM API（OpenAI、DeepSeek、Ollama、vLLM、Azure 等）。
下一步
准备好试试了吗？前往快速入门指南，5 分钟内即可上手 KaaS。