前言¶
接到知识库或 RAG 需求时，最常见的卡点不在模型，而在文档：哪些文档该进库、进来之前要不要清洗、按什么粒度切、切完怎么证明检索真的能命中。不少人的做法是把目录里所有文档按固定字数一刀切，灌进向量库就算完成，等上线才发现关键内容召回不到，只能回头重新切。
下面介绍的这个 Skill 把前面这段整理工作拆成了一套有先后顺序的流程，而不是一次性的脚本。
这是什么¶
「知识库搭建」（坐标 @kunlungrowth/kunlun-kb-build）是昆仑增长发布在 SkillHub 上的一个知识管理类 Skill，当前版本 1.3.0，来源企业（enterprise），分类 knowledge-management。
它面向的问题是知识库建设的前期整理与持续维护：文档盘点分级、清洗与结构化、切分粒度的选择、元数据、检索验证、权限设计和后续运营。定位上同时覆盖两类产物——企业知识库和 RAG 知识体。
按公开资料，它不需要 API Key（标签 requires_api_key=false）。页面显示评分 100000，下载 1365 次，安装数为 0。
核心能力¶
依据其官方简介，这个 Skill 的能力分成六个环节，顺序上有先后：
- 文档盘点分级。先把手上文档按价值和时效分档，决定哪些进库、哪些只做索引、哪些归档。
- 清洗与结构化。去掉重复、失效、格式错乱的页面，把非标文档整理成可入库的结构。
- 按类型定切分粒度。切分长度不设全局统一值，按文档类型分别确定。
- 元数据先行。入库前先定义并写入元数据，后续检索和过滤依赖它。
- 检索验证。用固定题集检验召回效果，而不是靠主观感觉判断「搜得到」。
- 权限设计与持续运营。入库之后还要考虑谁能看、内容过期后怎么更新。
配套的方法包括四象限分级、30 题验证法、stale 率阈值与召回验收标准。这几项的作用分别是：四象限分级给出文档分档的坐标系，30 题验证法提供统一的召回验收题集，stale 率阈值用来判断库中内容过期的比例，召回验收标准则定义「合格」的判定线。
为什么先分级再切分¶
这一步容易被跳过。如果不先分级，清洗和切分的工作量会摊在全部文档上，其中相当一部分可能是一次性通知、过期公告或与业务无关的归档内容，投入产出比很低。先分档再决定处理深度，后面每一层只面对真正需要入库的那部分文档。
元数据同样如此。如果元数据是入库后再补，往往会出现文档已经切好、来源和生效日期对不上的情况，导致检索结果无法过滤。按这个 Skill 的顺序，元数据在写入阶段就确定下来。
典型用法¶
官方公开资料给出的是方法论与验收标准，具体的调用命令、目录结构和配置字段未在已核实资料中列出，这里不做推测。实际使用时需要打开官方页面确认包内的说明文件，再按其给出的方式启用。
如果按该 Skill 的流程推进，一个可行的落地顺序是：
- 先盘点现有文档，用四象限分级标注每份文档的处理档位。
- 对进入入库范围的文档做清洗和结构化。
- 按文档类型确定各自的切分粒度。
- 定义并写入元数据字段。
- 准备 30 道验证题，跑一遍召回，按召回验收标准判定是否达标。
- 设定 stale 率阈值，把内容更新做成持续任务，同时补上权限配置。
适用场景与注意¶
适合的场景：企业内部知识库的首次搭建，以及 RAG 应用上线前的语料整理和验收。已经有一批散落文档、但缺少统一分级和验收标准的团队，是主要适用对象。
需要注意的几点：
- 评分和下载量反映的是页面数据，不代表检索效果，实际效果仍以自己的验证题结果为准。
- 官方简介只承诺方法论和验收标准，不承诺特定模型或特定向量库，切分与检索的实现需要自己落地。
- 安装数显示为 0，说明公开可见的采纳数据有限，团队使用前建议先在小范围文档上跑通验证环节。
结尾¶
这个 Skill 的价值在于把知识库建设中最容易出错的前期工作——文档分级、切分粒度、元数据和验收——整理成了一条有顺序的流程，而不是零散的脚本。需要确认最新版本和安装方式，可以看官方地址：https://api.skillhub.cn/kunlungrowth/kunlun-kb-build
