知枢——同时面向人类和 Agent，把文件变成可信任、可溯源、可审查、可回滚的自我递归企业知识资产。
产品亮点
- 一个底座，两层面向。 图谱层（面向人类）：2D/3D 知识图谱、跨域检索引擎、可信问答与知枢百科；本体层（面向 Agent）：通过只读 API 接入，实体告诉 Agent「业务世界有什么」，关系教会它「业务世界怎么运转」。
- 从根上治「一文件多知识、一知识多版本」。 每条知识带类型、受控关系、出处（第 X 条）与状态；同一份制度不再被切六遍，新版发布不会留下旧说法。
- 全量可信、当场可核验。 答案正文逐句带〔来源〕标注，末尾清单可展开；库中没有依据时回答「没有」，不编造（多层强约束防止模型夹带私货）。
- 自生长 + 可回滚。 库定期自己体检：结构问题、过期风险、来源缺口列成清单；补全产出同样进人工审核。库有版本、知识点也有版本，误删误改可整体回滚到某一日。
- 零依赖私有化部署，数据不出域。 一台普通电脑、Python 3.10+ 就能用：不需要 Docker、数据库、Node.js。
它解决什么问题
- 「AI 不懂公司业务」——行业规则、内部制度、审批流程、老员工经验，被沉淀成五个维度（规则 / 知识 / 流程 / 技能 / 案例）的结构化知识，每条带 10+ 必填字段：出自哪份文件、第几条、分属哪个领域 / 专业 / 业务 / 场景。
- 「有幻觉，不敢让 AI 接管生产」——入库前先过质检关口（与原文一致？有表述偏差？疑似夹带私货？），再进人工审核，原文定位左右对照，通过或驳回；答不上出处的内容进不了库。
- 「数据资产沉淀不下来、更新不动」——定期体检 + 补全复审 + 版本管理：模型干活、人拍板，库会自己进化，不会变成死库。
一个底座，两层面向
图：3D 知识星系总览——节点按业务域聚簇，可盘点、可追溯。
- 图谱层（面向人类）：2D/3D 知识图谱、跨域检索引擎、可信问答、知枢百科；知识节点即页面，双链成网。
- 本体层（面向 Agent）：检索问答 + 节点读取两类只读 API，令牌鉴权与白名单调用；每条知识本身就是可解析的文件（Markdown + frontmatter），有稳定 ID、类型、受控关系与来源定位，程序可以批量读、做 diff、进版本库。
图：知枢百科——知识维度 / 专业维度两棵目录树。
图：节点全文与「相关节点」双链、来源区块。
知识怎么进来的：文件摄入流水线
01 内容提取 → 02 入库前自检 → 03 人工把关 → 04 定期体检 → 05 留痕回滚。
不放过任何一个知识点来源载体：非官方文件（「XX 典型经验」「关于 XX 工作的汇报」）已纳入摄入机制，已开发的 SKILL.md、Prompt 文档也做了摄入适配。
图：摄入进行中——解析产物、重叠判定。
图：审核后台——左侧候选节点与右侧来源原文对照，来源定位在原文里高亮命中。
提问时，能看到完整过程（面向人类）
检索命中哪些节点、读了哪份文件、答案里每一句的来处——全部摆在眼前。答案还可以接着用：一键生成知识报告（PC 横屏 / H5 版式），从一条回答得到结论、判定流程与对照表。
图：提问「干粉灭火器能扑救哪几类火灾？」——检索命中、正文〔来源〕标注、末尾清单可展开。
图：点开一条来源，镜头飞抵图谱上对应节点（信息卡带类型、来源与反链）。
图：从一条回答生成的知识报告。
把可信知识，接给每一个 Agent
知枢提供「检索问答」与「节点读取」API 接口，通过令牌鉴权与白名单调用，任何 Agent 应用都能把它当可信知识后端接入：
curl -X POST "http://127.0.0.1:8787/api/qa" \
-H "Content-Type: application/json" \
-H "X-KB-Token: <凭证>" \
-d '{"question":"干粉灭火器能扑救哪几类火灾？"}'
图：真终端实测——返回带〔来源〕标注，sources 结构化给出文件与条款。
自生长与版本管理
图：体检报告——问题清单、缺口由补全按需纳入。
图：版本历史——每版完整节点清单与回滚入口。
上层应用示例：「答理」互动课堂
为验证「从底座取数」的真实效果，我们在知枢之上搭了「答理」互动课堂：输入主题，自动调用知枢获取知识，产出一套智能课程包（PPT 课件、伴随式语音讲解、随堂测验与点评、疑点问答、多智能体陪读讨论）。课堂里 AI 讲的每句话都要过事实核验闸门，对不上底座的当场拦下。
与传统 RAG 相比
- 不会迭代（切片是死快照）→ 版本管理 + 审核 + 体检补全：知识会进化。
- 不懂关系（不知道谁约束谁、谁依赖谁）→ 应用本体论：实体告诉 AI「世界有什么」，关系教会它「世界怎么运转」。
- 缺少全局（切片好比盲人摸象）→ 结构化归拢 + 图谱关系：构造全局观。
- 不可溯源（源头是向量数组，答了没法查）→ 来源锚定到源头文件的第 X 条，当场可核验。
- 维护成本高（靠人盯，最后沦为死库）→ 自生长：模型干活、人拍板，库定期自己体检。
一句话：RAG 让 AI 会查资料，知枢让 AI 懂业务。
图：示例库实测口径（48 节点 / 7 份来源文件，统计脚本随包可复跑）。示例数据为临时构建的消防安全知识库 Demo，来源为国标等公开文件。
值得说明的边界
- 不承诺「上传即完美」：不论摄入载体是什么，一律假定首次入库提取一定有缺、有错、有私货；知枢不表演一次性魔法，靠的是体检、补全、复审循环往复。
- 一切皆插件：3D 星系及其手势控制、HTML 报告、API 调用等进阶功能按插件装配，后台插件市场一键装、升、停、卸。
- 示例数据全部为虚构示例库，不涉及任何真实客户数据。
部署与获取
- 环境要求：一台普通电脑、Python 3.10+；不需要 Docker、数据库、Node.js。后端纯标准库，前端原生 ES Module、无构建步骤。
- 交付方式：私有化本地部署（数据不出域），产品授权 + 版本升级；可提供落地陪跑（部署、领域词表设计、首批知识导入与审核培训）。
- 写作/问答能力基于大模型 API 服务实现，模型服务由用户自行接入（可接内网 / 本地模型服务，无外网出口亦可运行）。
合作方式（价格面议）
- 产品授权：支持私有化部署与闭源商业授权，企业自有团队日常运营，我们提供产品与版本升级。
- 落地陪跑：从部署、领域词表设计到首批知识导入与审核培训，按项目交付，陪跑完第一程。
- 深度定制：支持面向具体业务场景的定制开发。
- 市场合作：欢迎行业集成商、技术咨询机构、院校教育、培训机构等各种市场合作伙伴。
合作与咨询：微信 NexAI2025。
NEX·南霄 · 知枢