企业官网建设流程全解析

公司知识库在乐享里攒了几百篇文档，结果每次找东西还是得靠喊人"帮我找下XX文档"，新人问基础问题没人答得了，老员工又没时间搭理。后来我把WorkBuddy接进了腾讯乐享，情况完全变了。这篇内容不聊概念，直接讲我是怎么把这套组合落地到团队日常里的，包括配置思路、实际场景、踩过的坑，以及最后效果如何，给正在折腾知识库的各位一个参考。

1. 为什么要同时用WorkBuddy和腾讯乐享：两个工具的互补逻辑

先说腾讯乐享这边。它是一个成熟的企业知识库和社区平台，文档、公告、问答、课程都能沉淀在里面，权限体系也相对完整。很多公司用了好几年，里面堆积的资料几百上千篇都不奇怪。但问题也恰恰在这里：信息足够多，却极难被用起来。

传统知识库的痛点很典型：检索靠关键词，匹配靠运气。用户搜一个业务术语，结果出来的是三年前的老公告，最新流程反而排不上来。文档分布在不同分类和团队空间，跨部门的人根本不知道去哪找。更麻烦的是，就算找到了文档，里面的信息大概率已经过时，或者写得含糊不清，还是得找原作者确认一遍。

WorkBuddy能做的是，把这些静态文档变成动态可交互的智能资源。它的本质是一个能调用工具、执行任务的Agent框架，支持配置skills和外部数据源。在接入腾讯乐享之前，WorkBuddy更像一个通用的任务执行器，能干日常自动化的事情，但缺少对具体业务背景的"上下文理解"。一旦把乐享知识库的内容喂给它，它就从"会干活的AI"变成了"懂我们业务的AI"。

这两个工具放在一起，逻辑上非常互补：

用一句话概括这个组合的核心理念：我可以完全不管知识库的内部结构，只要Tell WorkBuddy去查乐享，它自己知道怎么检索、怎么判断结果、怎么把答案组织成可交付的形式。

实际接入之后，我最直观的感受是"知识库终于不是摆设了"。以前查一个流程要自己翻五六篇文档拼信息，现在直接问WorkBuddy，它能把相关文档全部检索出来后，自动合成一个带依据的回答，还会告诉你结论落在哪篇文档上，方便核对。这不只是省时间的问题，而是把知识库从"被动存储"变成了"主动服务"。

2. 打通之前先想清楚：接知识库之前的三个核心问题

真正动手配置之前，我建议你先回答三个问题。这三个问题要是没想明白，后面接上也是白接，甚至可能把错误信息扩散给整个团队。

2.1 先确认腾讯乐享对外能力

很多东西在企业内部用起来很顺手，但确实没有现成的开放接口。所以第一步是确认腾讯乐享到底能不能被外部工具读取。

通常在导入乐享内容时，优先确认几个点：

• 是否有官方开放API或数据导出能力，例如乐享开放平台提供的文档列表拉取、内容搜索接口；
• 是否支持通过分组/空间维度导出文档目录结构；
• 文档正文是否能批量拿到完整内容，还是只能拿到标题和摘要；
• 是否需要内部网络条件或专用网关才能访问。

如果API权限拿不到，也有备用方案：通过批量导出文档（比如CSV或HTML格式）后再导入本地索引。但这样做会丢失实时性，文档更新后索引不会自动同步，需要定时刷新。我在最初试点时就是先用了批量导出方案，验证流程之后才申请到开放接口的读取权限，让更新频率从"每周手动同步一次"变成了"实时检索"。

2.2 你能接受的权限边界是什么

这点特别重要。知识库里有权限控制，但当你把它接给AI时，风险点在于：AI如果拿到全库检索权限，等于每个成员都能通过AI跨权限查阅内容。

这不是危言耸听。如果WorkBuddy配置的检索凭证是管理员权限，那团队成员问它什么它都能答，包括人力资源信息、薪酬制度、未公开的内部决议。这在你所在的环境里可能没什么，但对大部分组织来说就是个隐患。

我的做法是，单独给WorkBuddy创建一个只读专用账号，该账号只被授权访问"可供全员阅读的公共知识库分类"，例如：公司制度、产品FAQ、流程规范、技术文档。凡是有部门权限隔离的空间，一律不接入。然后在WorkBuddy的skill配置里，再加一层检索白名单，强制只允许检索特定分类ID，双保险。

2.3 检索质量到底取决于什么

如果把知识库接上LLM就算是成功，那这个项目根本不需要写这篇内容。因为实际调出来的效果会非常拉胯——检索结果不准，LLM再厉害也白搭。检索质量主要取决于三个因素：

第一是分词与索引方式。中文内容天然没有空格分词，如果检索走的是简单的字符串匹配，结果一定很差。这里我建议优先用支持中文分词的检索引擎，比如ES搭配IK分词，或者走向量检索。

第二是分片策略。文档不能整篇扔给LLM当上下文，需要切成块。切得太碎会丢失上下文语义，切得太大会超token限制。我经过多轮测试，最后锁定的策略是512字一片、128字重叠，这样既能保证小碎片命中，又保留了跨段的上下文连续性。

第三是重排序逻辑。向量检索召回Top50之后，不能直接全部丢给LLM。用rerank模型做二次排序，把最相关的片段顶到前面，再取Top5作为最终上下文。这一步对回答准确率的提升非常明显，几乎是从"看起来相关但答非所问"到"精准命中"的分水岭。

3. 用MCP Skill把乐享知识库变成WorkBuddy的可读大脑

确认完上面的问题之后，就可以进入具体配置阶段了。这一节我会拆开讲WorkBuddy的MCP skill是如何接入乐享知识库的，以及我在参数上的实际调优过程。

3.1 Skill配置的完整思路

WorkBuddy的skill本质上是一组对工具使用的流程封装：它定义一个"意图"，比如"查询乐享知识库"，然后指导LLM应该调用哪个工具、传什么参数、怎么处理返回结果。

我给WorkBuddy配置了一个乐享知识库查询skill，核心逻辑如下：

1. 解析用户问题中的主体实体，比如产品名、流程名、部门名；
2. 识别用户意图类型，是"查资料"还是"找负责人"还是"梳理流程步骤"；
3. 生成检索query，可以结合同义词扩展，比如"报销"扩展为"费用报销、差旅报销、财务流程"；
4. 调用乐享API的搜索接口，传分类过滤条件；
5. 把返回结果做rerank之后，交给主模型生成回答。

这套逻辑看起来不复杂，但关键在细节。比如检索query的生成，我一开始直接用原始用户问题去做检索，效果很差。因为用户在对话里的表达往往是口语化的，比如"钱花超了怎么办"，直接拿这个去搜知识库，根本匹配不到"预算超支审批流程"这篇文档。经过调整，我在skill的prompt里增加了"改写为适合知识库检索的关键词"这一环节，效果立刻不同。

3.2 检索与RAG的关键参数实测

下面是几个我认为最关键的参数，以及我实际调优后的数值参考：

特别说明一下相似度阈值这件事。有经验的工程师都知道，阈值设太高很容易把相关文档全部挡在门外。比如0.5的标准，很多文档因为用词和用户query差异大（说的是"设备离线"，库里有文档写的是"连接中断"），向量相似度只有0.3几，如果硬性卡0.5就会全部漏掉。我把阈值降到0.35，配合rerank做二次筛选，既保证了召回率，又不会把垃圾内容带进答案。

WorkBuddy在执行这个skill时，会把用户问题、检索工具输出、rerank结果三段内容拼装成一份"上下文包"，再交给大模型生成回答。同时它会标注引用的文档标题和链接，这个"可追溯"设计非常关键，能让团队成员信任AI给的答案，而不是把AI当黑盒。

4. 我在团队里实际用出来的几个场景

配置完成之后就开始用了。真正的价值是在使用中涌现出来的，有几个场景我没想到效果这么突出。

4.1 新人入职问答

新员工入职后通常会遇到大量"不好意思反复问人"的问题：报销怎么走、请假系统怎么操作、开发环境怎么申请、周报模板在哪。传统做法是把新人手册发给他，但几百页的手册极少有人能看完再记住。

我把乐享里的新人FAQ、行政指南、内部工具说明全部接入WorkBuddy后，新同事只需要在对话框里问"我笔记本要装哪些软件""怎么申请测试环境权限"，WorkBuddy就能给出分步骤的操作指引，每个步骤后面还附带原文链接。这下团队里没人刷屏式回复新人问题了，新人也不怕自己问的问题太基础被笑话。这是一次很典型的"把显性文档变成可用服务"的改造。

4.2 故障排查场景的进阶用法

团队处理线上故障时，往往需要快速回忆过去同类问题的排查记录。以前排查靠的是老员工的记忆，新人只能看工单系统，效率极低。

现在我把知识库里沉淀的故障复盘文档接入WorkBuddy后，排查时直接让它"根据乐享里的复盘记录，帮我列出这次数据库连接异常可能的原因"。它能自动汇总多篇历史故障记录，按因果关系和严重程度排序输出排查清单。最快的两次，WorkBuddy在十几秒内就把可用的排错思路列出来了，包括"上次同样报错还跟磁盘空间有关"这种只看单篇文档很难想到的关联信息。

4.3 方案评审与文档自动化

这个是最超出预期的点。团队做技术方案评审时，通常需要查大量产品文档和已有的架构决策记录，以前要靠人肉翻阅。现在WorkBuddy能先把历史方案中的相关段落自动提取出来，然后按照"背景-方案-风险-决策依据"的结构生成对比摘要。

我还在方案评审流程里加了一个小技巧：让WorkBuddy在阅读相关文档时，同时输出"该方案与现有知识库不一致的地方"。这个功能用了一次就抓到过一个真实问题——新方案里引用的模块名称已经废弃了好几个月，沿用旧名称的新人完全不知道，直接按新方案写了个技术方案，差点上线出事故。

4.4 知识库内容质量巡检

运行一段时间后，把WorkBuddy反过来用作知识库管理员，会非常有意思。我给它加了一个定时任务，每周扫描指定分类下的一批文档，输出"文档健康度报告"，包括：

• 更新时间和当前时间差距（超6个月标注为"过期风险"）
• 文档是否有明确的负责人
• 是否存在同标题文档（疑似重复）
• 文档内是否有大量TODO、待补全等未完成标记

这套自动化巡检，基本等价于给知识库做了一个"体检医生"。以前靠人工去盘点知识库的维护状态，基本不可能做到。现在每周一早上我都能收到一份整理得很清晰的清单，直接转发给各文档负责人催更新。连续几周下来，全库文档过期率从23%降到9%，这个数字变化比什么汇报都直观。

5. 踩坑实录：文档里不会写但你一定会遇到的

这部分写出来，希望能帮你少走些弯路。以下是实际接入过程中印象最深的几个问题和最后的处理方式。

5.1 权限不足导致检索结果"幻觉"

第一次上线时，我给WorkBuddy接的是一个只读普通权限账号，本来以为能访问所有公开分类就够了。结果发现它检索出来的结果里有大段的中途截断内容，回答的时候还一本正经地引用"据文档记载"。排查后才发现，那篇文档本体是有权限限制的，API返回了标题和摘要，但正文内容被脱敏了。检索系统拿到的只有一个"空壳文档"，LLM看着摘要信息就开始自己脑补剩余内容，这就是典型的"权限导致RAG幻觉"。

解决办法：在skill的输出处理逻辑中明确规定，如果正文内容为空、或者返回的片段无实质信息，不得作为回答依据，必须明确告知用户"该文档权限受限"。同时可给检索源做前置过滤，只索引有实体内容的文档。

5.2 文档格式的兼容性问题

乐享上的文档大部分不是纯文本，而是富文本编辑器里的内容，包含表格、图片、附件。直接导出后，正文里的表格变成了极致难看的字符串拼接，标题层级也莫名丢失。我最初用Markdown格式去解析，结果表格全乱。

这个问题的根源是富文本导出格式与LLM期望的纯文本结构差异太大。我的解决方式是做一个专门的格式清洗层：遇到表格就转换成带有列的Markdown表格，遇到图片标注成[图片]，遇到附件直接忽略。经过清洗之后再切片、再索引。这一步花的时间不少，但对最终问答质量的提升是决定性的。如果你也是从富文本系统导入数据，可千万别跳过格式清洗直接上电。

5.3 上下文窗口的取舍

可能有人会觉得，既然WorkBuddy背后的大模型支持很大的上下文窗口，为什么不把整篇文档直接塞进去。这个思路是错的。实测下来，把多篇文档全文塞进上下文后，模型在相对长的上下文中找信息的能力并不稳定，反而容易被中段的无关内容干扰，导致"看到了但没用上"。

我的操作方式是：主模型只接收rerank后的Top5片段，用Agent模式进行多轮检索、判断、再检索。也就是把一个大任务拆成"找资料-整理-验证-再找资料"的小循环。WorkBuddy本身就支持这类多步执行，顺着它的思路去设计RAG流程，效果比一次性喂大量上下文好得多。

5.4 匹配度优化实战

最后聊一下怎么提高匹配度。这里有几条实操经验：

• 同义词扩展是提升匹配度性价比最高的方式。不用复杂的处理，在skill的prompt里让模型把用户问题里可能涉及的同义词、上下位词都写出来，检索时一起用上，涨点非常可观。
• 重要术语优先匹配。业务里常见的专有名词、产品代号，在索引阶段单独建一个术语词库，检索命中术语权重加倍。举个例子，"支付回调"这个词如果普通检索可能被拆成"支付/回调"两层含义，但在术语库里它保持独立权重，命中率极高。
• 人工反馈闭环。WorkBuddy的回答下面加"有用/没用"按钮，没用的反馈攒到一定量后，把那类问题做成新QA文档补充进乐享。这个闭环过程会不断改善知识库内容质量，属于正向滚雪球。

结语：我的体会和建议

这套组合方案运行了两三个月，最大收获并不是效率提升多少倍这种数字，而是知识库这个基础设施终于变成了有生命力的系统。AI能替人读文档之后，文档本身的维护动力也变高了，因为写得好不好直接决定了AI回答得好不好，所有人都开始在意内容质量。

如果你也想在团队里折腾这套方案，我给的建议是：不要一上来就追求全量接入。先挑一个高频查询场景，比如新人入驻问答，配好小范围的知识库规则，跑通一两个星期。在真实使用中观察匹配度、错误率和团队接受度，再逐步扩大范围。用最小可用的闭环去验证价值，比一次性搭完大而全的平台要稳妥得多。

工具永远只是辅助，真正做到让组织里的知识活起来，需要一个能够持续维护内容的人。WorkBuddy可以帮你把查找和总结的效率提高很多，但它替代不了你去思考和沉淀的那部分工作。想清楚这一点再开始动手，你在落地过程中会顺利很多。