1. 什么是知识库？
一句话：公司里所有结构化、非结构化的信息，都可以放进知识库。
它可以包含：
- 规章制度
- 流程说明
- 合同模板
- 历史审批案例
- 员工手册
- 项目文档
- 邮件、聊天记录（如果允许）
- 扫描件、PDF、图片里的文字内容（经 OCR 处理后）
在 AI 时代，知识库不是给人“翻”的，而是给 AI“读”的。
2. 什么是向量数据库？
一句话：把文字变成“数学向量”，然后用向量数据库来存、来查。
为什么要这么做？
因为计算机看不懂文字，但能看懂向量。
向量可以表达语义，比如：
“请假流程”
“如何申请年假”
“年假怎么批”
这三句话的向量会非常接近，因为意思差不多。
向量数据库做的事情就是：
- 把文档内容转成向量
- 当你提问时，也把问题转成向量
- 用向量相似度快速找到“意思相近”的内容
常见的向量数据库：Milvus、Pinecone、Weaviate、FAISS 等。
3. 什么是召回？
一句话：从海量数据里，快速把“可能相关”的内容捞出来。
它不是最终答案，只是“候选集”。
比如你问：
“年假怎么申请？”
召回阶段可能会从知识库中捞出：
- 年假流程文档
- 请假制度 PDF
- 历史审批案例中含“年假”的记录
- 员工手册中关于休假的章节
这些是“可能有用”的内容，数量一般是几十到几百条。
召回之后，才会进入 AI 的“精排”阶段，让 AI 从这些候选里挑最有用的来生成回答。
4. 一个具体的 OA + AI 场景（非常典型）
假设你们公司有一个 OA 系统，里面有：
- 10000+ 份历史审批记录
- 500+ 份制度文档
- 200+ 份流程说明
- 大量合同模板、会议纪要等
现在员工在 OA 的 AI 助手对话框里输入：
“我想请 3 天年假，需要谁审批？”
下面我带你看整个流程：
第一步：问题进入系统
用户输入：
“我想请 3 天年假，需要谁审批？”
第二步：把问题转成向量
AI 模型（如 Embedding 模型）把这句话转成一个向量，比如：
[0.12, -0.34, 0.56, … , 0.09]
第三步：向量数据库“召回”相关内容
系统拿着这个向量去向量数据库里搜索，找到最相似的向量对应的文档，比如：
- 《员工休假管理制度》
- 《年假申请流程说明》
- 历史审批案例：员工 A 请 3 天年假，由直属经理审批
- 历史审批案例：员工 B 请 5 天年假，由经理 + 部门负责人审批
- 《OA 请假操作指南》
这些就是“召回”出来的候选内容。
第四步：AI 精读这些内容，生成回答
AI 拿到这些候选文档后，会阅读并总结，最终给用户一个清晰的答案：
“根据公司制度，3 天年假需要直属经理审批。流程是：在 OA 中提交请假申请 → 经理审批 → 自动归档。”
第五步：如果需要，还能给出引用来源
比如：
- 来自《员工休假管理制度》第 3.2 条
- 参考案例：员工 A，2025-06-12
这样用户更信任。
5. 这个场景里三个概念的角色总结
- 知识库：存放所有制度、流程、案例等原始信息
- 向量数据库：把这些信息转成向量并提供快速相似度检索
- 召回：根据用户问题，从海量文档中快速捞出最相关的一批内容，供 AI 精排
三者配合，让 OA 的 AI 助手能回答复杂问题，而不是只会“关键词匹配”。
