夜雨聆风
一份PDF的「AI入职之旅」：从杂乱文档到智能大脑
跟着一个3.4MB的文件，走完知识库全流程
我叫「优势谈判心理学.pdf」，3.4MB，329页，住在某个硬盘的角落里吃灰已经三年了。
直到有一天，我被拖进了一个叫「灵鹊智能体平台」的东西。一个全新的世界在我面前展开——这是一条通往AI大脑的流水线。这是我的故事。
🚪 第0天：登记入职
我被上传到了「智云尚书」知识库。系统给我拍了张「入职照」：
• 文件名：优势谈判心理学.pdf
• 大小：3.4 MB
• 内容哈希（SHA256）：a406baf3…——这是我的「指纹」，全球唯一
• 操作人：admin · 2026-08-01 06:32:29
我被存进了 MinIO 对象存储的 raw 区——这是「原材料仓库」。所有文件最初都在这里，原汁原味，动都没动。
▲ 语料上传：拖拽即用，自动登记入 raw 区
🔬 第1天：解析——被「读」了一遍
系统启动了解析服务。它打开我的PDF，提取出正文文本流，去掉渲染格式（字体、颜色、排版都不重要，AI不关心好不好看，它只关心「你说了什么」）。
解析完成后，raw 文本被写入 MinIO 的 parsed 区。这是「初加工车间」的产物。
时间戳：2026-08-03 04:37:54 · 系统
🚿 第2天：送洗——进「浴室」了
admin 按下了「送清洗」按钮。我被丢进了清洗池，等待清洗Worker领取。
这是我人生中最紧张的时刻——因为清洗意味着：页眉页脚、广告插页、重复段落、OCR乱码…所有不属于「干净正文」的东西，都有可能被剪掉。
但正是这一步，决定了AI最终能用我回答问题到什么程度。
时间戳：2026-08-03 04:37:54 · admin
✨ 第3天：清洗确认——焕然一新
清洗完成了，我迎来了 v5 版本。
是的，v5。这意味着我不是一次就洗干净的——我的主人前前后后调整了5版清洗规则，才对我的「干净程度」满意。
每一版的清洗结果都保留着，万一 v5 不如 v4，随时可以回退。
时间戳：2026-08-03 04:37:54 · admin
🏠 第4天：入库——终于住进「AI大脑」
最后一步：我被Embedding模型「翻译」成了高维向量——一种AI能直接理解的语言。
我被切成了 422 个切片（Chunk），每一个都是我的一段核心知识点。它们被整整齐齐地写入了 Qdrant 向量数据库的 collection kb_20 中。
从这一刻起，任何人在知识库里提一个跟谈判心理学相关的问题，系统都能在毫秒内检索到我的相关切片，喂给大模型，生成精准回答。
时间戳：2026-08-03 04:37:54 · 系统
▲ 从上传到入库，完整的时间线，每一步都可追溯
📋 后记
这就是我——一份普普通通的PDF——的AI入职之旅。
从 raw 到 parsed 到 cleaned 到 embedded，四个仓库、四个状态、422个切片、1个SHA256指纹。
我不是被「扔」进去的。我是被「炼」进去的。
每一份AI给出的精准答案背后，都站着一条被认真对待的语料。
— — —
💬 你家的文档「入职」流程是怎样的？是直接扔进去，还是走流水线？评论区聊聊～