企业官网建设流程全解析

缘起

2025.11.30我决定做一个企业级知识库项目，原因可能是有了一些工作上或者学习生活中的积累，决定差不多了。（帮助别人做了glyph这个项目拿到了国二差不多就是工作空隙时间20天左右），我是10月初开始接触vibe coding的那时候 codex claude code 还流口水，整个项目的设计哲学还得参考我之前写的项目。到11.30底的时候其实claude code codex已经可用了，然后我开始着手去做知识库。我的设计哲学就是让rag 每一部分做到可监控。 我希望这个知识库可以回答或者如果没法召回能够如何调整，怎么切块，怎么实体抽取，怎么治理元数据，怎么召回。 把它做成一个标准流程同时可管理。

把rag的每一步都做到极致，那么得到的就是一个极致的rag了。整个项目在市级的智能助手上验证过下面我会贴出一点测试报告。 我不会去试图解答什么，但是这个项目会给做企业级rag的佬们一点启发。

知识库管理

MimirQ 将知识库拆成几个能够单独检查的阶段：

• 文档解析：支持 DeepDoc、MinerU、Docling、MarkItDown、OCR 与 VLM 等不同路径，可以按文档类型选择。

• 数据治理：支持规则 DSL、脚本和插件清洗，并提供解析结果、文档质量和处理状态检查。

• 切块与索引：支持递归、标题、父子块、语义切块、RAPTOR、Late Chunking 等策略，以及 Milvus、FAISS、Chroma。

• 检索与重排：支持 BM25、向量检索、混合召回、RRF、ColBERT、Cross-Encoder 等组合。

• 证据与评测：提供检索 Trace、重排过程、逐句引用、版本追踪、RAGAS 和 Golden 题集回归。

• 企业治理：包含文档 ACL、RBAC、Security Trimming、脱敏、审计和安全护栏。

仓库目前覆盖 30 个解析后端、86 种切块策略和 13 类重排器。数量不是最终目的，重点是每一个环节都能检查输入输出，并能通过固定题集持续回归。

主流解析支持

入库到证据评测

知识图谱作为检索的一环

知识图谱主流的解法一个是kg-rag 第二个是graphrag， 前者不够灵活，后者的话资源消耗太大了，所以企业里面很少用graphrag因为他的检索成本很难接受，退而求其次可能Lightrag已经是最高能够接受的grphrag方案，这里我们借鉴了sag的思路把chunk 抽取事件然后作为元数据去管理，显著降低召回该分支的时延。

直接接入 Dify

关于dify, 我想这个知识库应该类似ragflow那样支持外链到dify中去。我们没有在 MimirQ 里重复实现 Dify 工作流画布，（这部分是dify的很强的优点也最优特色部分了） dify一切都很好，只是知识库有点弱项。让它作为可治理的外部知识层接入现有应用。 目前支持 Dify External Knowledge API 和 Workflow HTTP 节点。 支持直接接入dify也可以通过接口接入。

对比实验

后续

MimirQ 还远谈不上完美。但是能给佬们一些启示，其实在4月份的时候我已经做不下去了，那时候我已经积累相当多的内容了，真正好的rag系统肯定是基于业务来谈的，诸如dify、mimirq、ragflow 、fastgpt等等之类的，大家做着做着都变成通用了，如果让我做一个rag，我可能不会选择这些，因为消耗的精力可能比我直接做来的更多，。知识库 整个流程是 文档解析（mineru or deepdoc）->文档治理(脚本，规则 dsl)->切块 （递归、父子块 等等）-> 入库（向量库）-》召回（混合召回等等 bm25+向量检索），ragflow的优势在于deepdoc graphrag 图谱， 其他优势很小， ragflow 是可以代替dify的知识库作为外链知识库，但是实际我们使用下来很多工程问题。 ragflow其实不是大部分企业的优选，当然业务简单用平台更容易，如果是一个稳定的业务流程可能是这样的。 客户数据拿来，第一步先， 拿一批数据做评估 比如pdf里有多少图片 有多少文字 等等（报价） 这一步用mineru 现在效果最好，解析完了后。知道收多少钱后。开始正式做业务， 第一步 按照不同业务选择不同解析模型， 复杂排版不可编辑用mineru,公式很多的数学书用docling,都是txt文字的用markitdown, 没算力可以上deepdoc(这些有人抽出来)，之后人工清洗整理解析后的文章，然后做切块， 根据业务来切 不要死的重叠快切（一般800主流），比如根据文章切 标题啥的，这类ragflow有设计可以参考，切完后 入库一般选Milvus 主流。 然后 整个rag就做好了， 整个流程搭建 任意框架， 哪怕直接python+pydantic都能实现，这个在业务上是完全可控的， 如果你要做聊天助手，那么复杂的用langgraph 涉及到图路由的（web search kg rag等 a2a）， 如果简单的直接用pydantic-ai 这样设计。