灵知AI：给数据底座装上“私域知识库”

上篇说道

上篇讲了后台任务调度工具：它把用编程工具编的程序模块、或第三方编写的程序统一纳入调度策略；既能按事件规则调度（每晚 10 点出当天报表），也能按复杂条件控制（放假期间，学校 1#、3# 教学楼不做能耗统计）；运行中还能监控、终止、热加载。

上篇结尾留了一句：数据攒在底座里，除了被查、被算、被展示，能不能让它自己“生”出点新东西来？

一、聊了三十天，为什么一直没正经讲 AI

先说一句可能有人憋了很久的话：

这三十天讲了采集、建模、表单流程报表、2D/3D/GIS、接口和调度——怎么就没正经讲过 AI？

现在最火的词就是它。一个讲数字化的号，三十天不提 AI，确实说不过去。但我们是有意这么排的。

因为这两年看下来：AI 在企业里落不下去，十次里有八次不是模型的问题，而是地基的问题。模型再聪明，它不认识你的设备、你的台账；它写出来的东西没有数据支撑，只是一篇漂亮的作文；它给完答案就结束了，没有人接着把事办完。

所以前面三十天我们一直在打地基。地基打完了，今天才轮到 AI 出场。而且要说明：AI 不是 AGP 的第四十件工具，它是站在前面三十篇成果之上的那一层——前面那些东西不是给 AI 让路的，恰恰是喂给 AI 的。

从今天起，我们用两篇讲 AGP 的 AI 产品：灵知。

灵知 = 私域知识库 + 智能体协同。它不是给企业加一个聊天窗口，而是装一套会干活的 AI 系统。

这个式子正好对应上下两篇：这篇讲“私域知识库”——数据；下篇讲“智能体协同”——干活。

二、先看三个“AI 落不了地”的现场

现场一：AI 不认识你的企业。

通用大模型懂世界——懂物理、懂化学、懂管理常识。但它不懂你的厂：不知道 3 号泵去年修过几次、换过什么件；不知道你们车间的能耗基线是多少；不知道那份《检修规程》第 4.2 条写的是什么；更不知道今天上午 9 点那台压缩机跳过一次闸。

这些它都不知道，所以它给出来的，只能是“正确的废话”。也有项目试过把文档喂进去——可文档是死的：规程是 2019 年版的，台账是上月导出的表格，图纸还是 PDF 扫描件。喂进去的东西本身就不新、不全、不联，结论自然不敢用。

现场二：为了用 AI，先得去“搬数据”。

更常见的做法是：先立一个知识库项目，把散在各处的文档、台账、图纸收集起来，清洗、切片、灌进向量库——这件事本身就是个大工程。

更要命的是两点：搬完还要维护，业务数据天天在变，搬过来的那份很快就过期；搬出来的和业务系统是两张皮，知识库一套数、ERP 一套数、报表又是一套，对不上还得人工核。结果就是：为了 AI，先给企业增加了一个新的数据孤岛。

现场三：结果只停在一个对话框里。

很多 AI 应用长这样：右下角一个悬浮球，点开是对话框，问一句答一句，看着挺热闹。但它不写回系统、不生成文件、不推进流程。你问它“3 号泵状态怎么样”，它给一段分析——可这段分析躺在对话框里，不进设备档案、不生成记录、不触发工单。聊完，活还是人干，还多了一步“把 AI 说的话抄进系统”。

灵知，就是冲着这三个现场来的。先看一眼它长什么样——左边是 AI 管理菜单，右边是交互和测试区：

三、第一个答案：完全的私域数据

针对现场一和现场二，灵知的答案是同一句话：数据不搬，就用你自己的。

灵知完全基于 AGP 的数字化底座，也就是前面反复出现过的那三类存储：

① 关系数据库 RDBMS——业务台账的家。合同、工单、设备台账、人员、报表指标本来就在这儿；它还额外承担三样：专家的配置元数据、权限规则、审计日志——AI 自己的“身份和行为记录”也在这里。

② 时序数据库 TSDB——决定了智能体能“预测”什么。设备监测、传感器、生产工况、水利水文指标都以时序形式存在这里。没有历史曲线，AI 只能描述现在；有了历史曲线，它才能说“照这个走势，三天后可能会出问题”。

③ 分布式文件系统 DFS——私有向量库的原始文件载体。方案、图纸、规范、会议纪要、运维手册都在这儿，它们是私有向量库的原材料——切片、向量化之后，就成了 AI 可以检索的“知识”。

这三类数据各自决定了智能体能问什么、能预测什么、能引用什么。围绕它们，底座还做了三项 AI 适配：向量存储兼容（切片向量化后存回底座，本地私有化检索）、语义查询自动生成（按需求自动生成查询，不用写 SQL）、多租户数据隔离（多客户、多行业数据隔离，满足合规）。

最要紧的一点是：这些数据本来就在你自己的机房里。不需要为了用 AI 把它们导出到别人的云上，也不需要把数据“翻译”成另一种格式再存一遍。

一句话概括：AGP 不是“顺便能用”的存储，它就是私域知识库的地基。有了这些数据，专家才谈得上——认识设备、看懂状态、算清指标、找对关系、办成事情。

四、第二个答案：数据不是为 AI 搬的，是干活干出来的

上面解决了“数据在哪”，接下来解决“数据怎么来”。

很多 AI 项目的逻辑是：先有 AI，再去凑数据。所以永远在补数据，永远补不完。灵知反过来：数据从日常业务里自然长出来。三条链各管一段：

• 业务系统数据——ERP、MES、WMS 走 AGP 的 ETL 抽过来（第 16 篇）；

• 现场设备数据——DCS、PLC、电表走 AGP 的 IOT 实时接进来（第 15 篇）；

• 管理动作数据——人事、资产、检修、培训、OA 由 AGP 业务模块承接，员工在日常工作里顺手就填了（第 18–20 篇）。

不需要靠人额外硬输入维护，而是通过日常的业务，数据自然落库。这就是“全要素、全业务、全流程”真正落地的地方：把获取全量私域数据的过程融进员工的日常工作，数据才能常在常新。

从数据到知识：四步走完

原始数据还不能直接给 AI 用，中间要过一道“知识生产”：数据清洗（去重、脱敏、格式统一）→ 结构化转换（PDF、图纸、表格自动解析，抽取实体、指标、流程规则）→ 语义分片（按语义边界切片，不是硬按字数切，那样会把一句话切断）→ 向量索引（切片做 Embedding，写进本地私有向量库）。

输出两样东西：一个私有向量库，加一个知识服务 API。API 提供四种检索——语义相似度检索、关键词精准检索、时序指标联动查询、多文档联合问答，并内置权限拦截：专家只能访问自己权限范围内的知识。

不同类型的内容，能放在一起问

数据进来了，还得是个整体，不能各说各话。这里用到的，正是第 27 篇讲过的那些简单接口函数——十几条数据接口就能存取全部类型的数据，既不用了解库表结构，也不用写 SQL。于是你就能问出这些“混合型”的问题：

• 张师傅今年运维的绩效——跨实体把人、工单、工时串起来；

• 年龄 50 岁以上的职工在各个部门的分布——条件 + 分组统计；

• 三号水泵现在运行的主要参数——取 TSDB 实时测点；

• 查询近期产线主要生产数据，并根据规范做出效能评估——数据 + 知识库里的“规范”一起用。

注意最后一条：它同时用到了台账里的数、时序里的曲线、文件柜里的规范。这才是“综合查询”的意思——不是查一个库，是把这件事相关的所有东西一起找出来。

用一句话总结这套数据侧的设计：

护城河不在算法，在数据治理的颗粒度。把图纸和台账一起讲清楚，AI 才真的能用。

五、小结

• 为什么现在才讲 AI：AI 在企业里落不下去，常常不是模型的问题，而是地基的问题；

• 它是什么：灵知 = 私域知识库 + 智能体协同——不是加一个聊天窗口，而是装一套会干活的 AI 系统；

• 三个现场：AI 不认识你的企业 / 为了用 AI 先搬数据 / 结果只停在对话框；

• 第一个答案：基于 AGP 底座的 RDBMS + TSDB + DFS——RDBMS 存业务与 AI 配置，TSDB 决定能预测什么，DFS 是向量库的原料，数据本来就在客户自己手里；

• 第二个答案 + 知识生产：ERP/MES/WMS 走 ETL、现场设备走 IOT、管理动作走业务模块，在日常工作里自然沉淀；清洗 → 结构化 → 分片 → 向量化，再用十几条接口函数把台账、曲线、图纸、规范放在一起问。

下集预告

数据备好了。可数据自己不会干活。

一个只有数据的 AI，最多是个“资料员”；要让它变成“业务员”，还得有人把活分下去、把工具递到它手上、把结果收回系统里。

下篇讲灵知的另一半：智能体协同——专家、专家团、技能工坊，五大核心引擎，以及一次任务从头到尾的完整旅程。

《灵知AI：给业务流程装上“智能体协同”》

下集见。

智道 AGP · 让您做数字化项目，像做PPT一样简单