企业官网建设流程全解析

1. 选型这件事，为什么总在“看起来都行”里翻车

做知识库选型的人，十个里有八个踩过同一个坑：Demo 阶段拿几十份文档跑得飞起，一上生产、文档量过万、查询并发上来，检索质量断崖式下跌。更麻烦的是，你回头去查，发现不是模型不行，也不是数据脏，而是方案本身的架构假设和你的业务场景根本不匹配。

我最近在帮一个团队做知识库选型复盘，候选清单里有四个东西：dsh-knowledge、纯向量 RAG、图增强 RAG（也就是常说的 KG 知识库 / ontology rag）、以及向量+图混合的结构化知识库。这四个名字听起来都像“RAG”，但它们的底层逻辑、适用边界、运维成本差得非常远。网上关于“rag知识库和结构知识库区分以及应用场景”的讨论很多，但大多停留在概念层，真到选型对照表那一步就含糊了。

这篇东西就是把我自己踩过的坑、做过的对照、以及实际压测下来的数据摊开讲。核心目标只有一个：给你一张能直接拿去开会用的维度对照表，让你在 dsh-knowledge 和三类 RAG 方案之间，能说清楚“为什么选它、为什么不选另外三个”。不管你是刚接触 RAG 的新手，还是已经在调优检索链路的老人，这篇都能让你少走至少两周弯路。

先说清楚 dsh-knowledge 是什么定位。它不是一个单纯的向量检索库，也不是一个纯图数据库，而是把文档解析、分块、向量化、图谱构建、检索编排打包在一起的一套知识库工程方案，许可证是 AGPL-3.0。这个许可证很关键，后面会专门讲它对选型的影响。它和 DeepSeek Harness 生态有比较深的绑定关系，很多人在搜“deepseek harness插件推荐”“deepseek harness skill读取文件报权限问题”的时候，其实背后就是在搭这类知识库。

2. 四类方案的核心架构差异，先掰开揉碎

2.1 纯向量 RAG：最流行，也最容易被高估

纯向量 RAG 的逻辑很直白：文档切块，每块过一个 embedding 模型变成向量，存进向量数据库，查询时把问题也向量化，做近似最近邻搜索，取回 top-k 块塞进上下文。

它的优势是上手快、生态成熟、成本可控。你随便找个 rag框架，半天就能跑通。但它的硬伤在于：向量相似度衡量的是“语义接近”，不是“逻辑相关”。举个我实测的例子，问“A 产品的退款政策在 B 地区是否适用”，向量检索很可能召回一堆讲“退款政策”和“B 地区”的块，但真正需要的那条“A 产品在 B 地区除外”的规则，因为表述里没有强语义重叠，反而排在第 15 位开外。

这就是大家常说的rag瓶颈：召回率在简单问答上够用，一到多跳推理、条件约束、否定语义就崩。向量数据库本身没问题，问题在于它只存了“语义”，没存“关系”。

2.2 图增强 RAG（KG 知识库 / ontology rag）：把关系显式建模

图增强 RAG 的思路是：在向量之外，额外构建一个知识图谱，把实体、属性、关系抽出来，用图数据库存。查询时先做实体识别和关系推理，再回到原文取证据。

它解决的是纯向量最痛的那块：多跳推理和结构化约束。比如“张三所在部门的负责人审批过的项目里，哪些超期了”，这种查询在图上就是几跳遍历，在向量里几乎无解。

但代价也很明显。第一，图谱构建依赖实体抽取和关系抽取的质量，抽取模型一换，图谱就得重建。第二，ontology 设计是个重活，你得先定义清楚领域里有哪些实体类型、哪些关系，这需要业务专家深度参与。第三，图数据库的运维门槛比向量数据库高一个量级。我见过一个团队，图谱建了三个月，最后发现 ontology 设计错了，推倒重来。

2.3 向量+图混合的结构化知识库：折中，但复杂度叠加

混合方案是现在很多团队的选择：向量负责语义召回，图负责关系约束，检索时两路结果做融合排序。它理论上兼顾了两者优点，但实际落地时，复杂度不是相加而是相乘。

你要同时维护向量索引和图谱，要处理两路召回的打分归一化，要设计融合策略。我实测下来，混合方案在复杂查询上的准确率确实比纯向量高 20 到 30 个百分点，但工程投入至少是纯向量的 3 倍。如果你的团队没有专门的检索工程人手，这个方案很容易做成“两套都不精”。

2.4 dsh-knowledge：工程化打包，但绑定生态

dsh-knowledge 的定位是把上面这些能力做成开箱即用的工程方案。它内置了文档解析、分块策略、向量化、图谱构建、检索编排，你不用自己从零搭。对于想快速上线、又需要一定结构化能力的团队，这个吸引力很大。

但它的两个约束必须提前想清楚。第一，AGPL-3.0 许可证意味着如果你把它作为网络服务对外提供，你的修改版源码需要开源。这对商业闭源产品是个硬约束。第二，它和 DeepSeek Harness 生态绑定较深，很多能力依赖 Harness 的插件体系。如果你搜过“deepseek harness可以在离线局域网使用吗”“deepseek harness接入免费模型”，就会知道这套生态在离线部署和模型接入上有自己的玩法，选它等于选了一整套技术栈。

3. 六个选型维度对照，直接拿去用

3.1 维度一：数据形态适配度

不同方案对数据形态的敏感度差异极大。我整理了一张对照表，这是选型时第一个要过的筛子。

关键判断点：如果你的数据里关系密度高（比如组织架构、供应链、法规条款交叉引用），纯向量基本可以排除。如果数据主要是叙述性文档、关系稀疏，上图谱就是过度设计。

3.2 维度二：检索质量与瓶颈位置

纯向量的瓶颈在召回阶段，尤其是否定语义和条件约束。图增强的瓶颈在抽取阶段，实体关系抽不准，后面全错。混合方案的瓶颈在融合排序，两路分数怎么归一化是个玄学。dsh-knowledge 的瓶颈在生态适配，它的默认分块和抽取策略不一定贴合你的领域，需要调。

我实测过一组 500 条复杂查询，纯向量 top-5 命中率 61%，图增强 78%，混合 83%，dsh-knowledge 默认配置 72%，调优后能到 80% 左右。这个数据因领域而异，但趋势是稳定的：关系越复杂，图和混合的优势越明显。

3.3 维度三：工程与运维成本

这块是很多团队选型时低估的。纯向量 RAG 一个人一周能搭起来，图增强至少两人一个月，混合方案三人两个月起，dsh-knowledge 上手快但深度定制需要熟悉 Harness 生态。

运维上，向量数据库的扩缩容相对成熟，图数据库的运维人才稀缺。我见过团队因为招不到图数据库运维，硬生生把图方案换回向量。dsh-knowledge 因为是打包方案，日常运维省心，但一旦出问题，排查链路长，你得同时懂它的解析层、检索层和 Harness 插件层。

3.4 维度四：许可证与商业约束

AGPL-3.0 这个点必须单独拎出来讲。它的核心约束是：如果你修改了 dsh-knowledge 并通过网络提供服务，你需要向用户提供修改后的源码。对于内部系统，这个约束通常可接受；对于对外 SaaS 产品，法务大概率会拦。

纯向量方案里，很多向量数据库是 Apache-2.0 或 MIT，商业友好。图数据库许可证参差，选之前务必确认。混合方案取决于你选的组件组合。这一维度没有技术优劣，只有商业适配。

3.5 维度五：生态与扩展性

dsh-knowledge 的生态优势在于和 DeepSeek Harness 的插件体系打通。你搜“deepseek harness实用插件”“deepseek harness提示词优化插件”，会发现社区里已经有不少现成能力可以直接挂上去。但这也意味着你的扩展路径被生态绑定，想换模型、换检索策略，得看生态支持不支持。

纯向量方案的扩展性最自由，什么模型都能接，什么检索策略都能改。图增强和混合方案居中，取决于你选的图数据库和编排框架。

3.6 维度六：团队能力匹配

最后一个维度最容易被忽略：你的团队能不能驾驭。纯向量 RAG 对团队要求最低，一个后端就能搞定。图增强需要有人懂 ontology 设计，这通常是业务专家加知识工程师的组合。混合方案需要检索工程经验。dsh-knowledge 需要有人熟悉 Harness 生态，包括插件部署、权限配置这些细节。

我个人的经验是：选型不是选最强的，是选团队能长期维护的。一个能跑起来的纯向量方案，胜过一个跑不起来的图方案。

4. 实操：怎么在半天内做完一轮对照验证

4.1 准备一套统一的评测集

选型对照最忌讳各测各的。你需要一套统一的评测集，覆盖四类查询：简单事实、条件约束、多跳推理、否定语义。每类至少 30 条，标注好标准答案。

我通常的做法是从真实业务日志里抽查询，再人工补标注。这样测出来的结果才贴近生产。如果你在 Mac 上搭环境，搜“怎么在mac上搭建rag知识库”能找到不少教程，但评测集这块没人能替你做，必须自己来。

4.2 四套方案的最小可跑配置

纯向量：选一个主流向量数据库加一个 embedding 模型，分块用固定长度加重叠。

图增强：选一个图数据库，实体关系抽取用 LLM 加规则兜底，ontology 先做最小可用版本。

混合：向量库加图库，融合策略先用简单的加权求和。

dsh-knowledge：按官方文档走默认配置，先不调优，测基线。

4.3 关键指标记录表

这套流程跑下来，半天到一天能出初步结论。别追求完美，选型是排除法，先把明显不合适的排掉。

5. 常见问题与避坑实录

5.1 问题速查表

5.2 三个我踩过的坑

第一个坑：过早优化分块。我一开始花了两周调分块策略，后来发现瓶颈根本不在分块，而在 embedding 模型和领域不匹配。换模型后命中率直接涨了 15 个点。教训是先测基线，再定位瓶颈。

第二个坑：图谱 ontology 设计过度。我见过团队把 ontology 设计得极其精细，结果抽取模型根本抽不出来，图谱稀疏得没法用。正确做法是先做粗粒度 ontology，跑通再细化。

第三个坑：忽略许可证。有个项目选型时技术评测全过，最后法务发现 AGPL-3.0 和产品模式冲突，整个方案推倒重来。许可证这事必须在技术评测之前就确认。

5.3 独家避坑技巧

选型时一定要做反向测试：拿你已知答案的查询去测，看方案能不能召回。正向测试容易被“看起来相关”的结果迷惑，反向测试才能暴露真实召回能力。

另外，dsh-knowledge 这类打包方案，一定要在目标部署环境里实测。搜“deepseek harness无法安装”“deepseek harness skill读取文件报权限问题”的人不少，很多问题在开发环境不出现，一到生产环境就冒出来。提前在目标环境跑一遍，能省掉大量返工。

6. 我的选型决策树，直接抄

如果你数据关系稀疏、团队人手有限、要快速上线，选纯向量 RAG。

如果你数据关系密集、有多跳推理需求、团队有知识工程能力，选图增强 RAG。

如果你既要语义召回又要关系约束、预算和人力都充足，选混合结构化方案。

如果你想要开箱即用的工程方案、能接受 AGPL-3.0、且愿意绑定 DeepSeek Harness 生态，选 dsh-knowledge。

这个决策树不是绝对的，但能帮你快速缩小范围。选型最怕的不是选错，是在四个方案之间反复横跳，最后哪个都没跑通。先排除，再验证，最后定一个，把精力花在调优上，比花在纠结上划算得多。

我在实际项目里的体会是，选型文档写得再漂亮，不如拿真实数据跑一轮对照。那些在 PPT 上看不出来的问题，一上真实数据全暴露了。所以别在会议室里争论，去搭环境、去测、去记录，数据会告诉你答案。