知识基座：让”AI 越用越懂业务”的团队经验实践

一句话概括

天猫近 200 人后端全栈试点中通过云端共享、信号驱动自动捕获 1% 真正有价值的踩坑会话，LLM 提炼 pitfall/decision/faq 三类知识并五维度评分，1 个月沉淀 128 条、置信度 0.92、召回率 85%。

实践内容

信号驱动的知识捕获

四种信号：

1. 关键词信号 —— 特定关键词触发
2. 多轮调试信号 —— 多轮对话后仍未解决
3. 否定信号 —— 用户否定 AI 的回答
4. 代码改动信号 —— 实际发生了代码修改

三类知识

1. pitfall —— 踩坑经验
2. decision —— 决策记录
3. faq —— 常见问题

五维度评分

对每条知识进行五维度评分，确保质量。

分级召回

repo → domain → global 三级召回，按相关性排序。

效果数据

• 1 个月沉淀 128 条
• 置信度 0.92
• 召回率 85%
• tsconfig 类问题从 30 分钟降至 1 分钟

摘录

天猫近 200 人后端全栈试点中通过云端共享、信号驱动（关键词 + 多轮调试 + 否定 + 代码改动）自动捕获 1% 真正有价值的踩坑会话，LLM 提炼 pitfall/decision/faq 三类知识并五维度评分。

repo → domain → global 分级召回，1 个月沉淀 128 条、置信度 0.92、召回率 85%，tsconfig 类问题从 30 分钟降至 1 分钟。

涉及实体

• Claude-Code —— 知识基座与 Claude Code 的记忆系统有相似之处

涉及主题

• []

我的评注

“1% 真正有价值的踩坑会话”这个洞察很关键——不是所有对话都值得沉淀为知识。信号驱动的捕获方法（关键词、多轮调试、否定、代码改动）很实用。tsconfig 类问题从 30 分钟降至 1 分钟的效果也很显著。