2024年知识本体高效构建完整指南：基于LLM-Wiki的大模型知识库排行榜
AI知识库重构的下一个突破：以场景驱动替代传统RAG检索增强生成
本篇继续剖析大模型知识库的进阶玩法。此前已完成了从传统Wiki到“场景-概念-实体”三层架构的跃迁，构建出一套以场景与问题为核心驱动的认知闭环系统。这次聚焦几个关键的设计原则与落地细节。
知识库的整体层级结构可归纳如下：
重构过程中，大量引入了本体建模的方法论——实质上，就是将知识管理领域的“知识本体”框架进行了迁移。在结构化数据场景下，本体建模的核心对象对应传统IT系统的数据库表；而在非结构化文本中，核心对象则对准从文档中提炼出的概念与实体。因此，构建知识本体的第一步，是从历史资料出发，进行知识的编译与萃取，形成关键概念与实体，并建立它们之间的关联网络，最终输出一幅知识图谱。
然而，有一个关键转折——仅仅梳理出概念和实体远远不够。此次重构嵌入了第二个核心层：场景问题层。必须强调：知识库与知识图谱的构建只是手段，真正的目标在于应用知识点，并利用其关联进行推理，最终解决实际业务场景中的问题。知识点的动态组装与编排，才是价值落地的枢纽。
因此，重构后的知识本体，并非简单扩展概念与实体（例如拆分复合概念、定义子概念、区分父实体与子实体、增加分层结构），而是引入了场景建模这一维度。场景的本质，就是对已有概念与实体进行按步骤、按流程的组装与编排。
基于知识库中的历史文章，经过提取与分类，最终归纳出5大类、47个核心场景。每个场景都精确定义了阶段划分，明确了各阶段需要引用的概念或实体，以及具体的知识点组装步骤与执行流程。
至于概念方法层，其核心在于必须明确输入、输出以及工具技术的具体应用。这里的关键变革是引入了动态逻辑——不再固守传统的流程分析，而是将核心操作流程直接内嵌到概念方法中，实现知识组件的灵活调用。
实体层则引入了父实体与子实体的概念，旨在更清晰地揭示实体间的层次关系与归属结构。
基于此知识本体模型，借助AI编程能力，可将整个模型进行可视化渲染。能够直观看到场景、概念、实体三者之间简洁却严密的组装链。
点击分层网络图进入交互界面，选择分类，例如“知识管理”：
可清晰看到完整的三层知识网络结构：顶层为场景层，中间是概念层，底部是实体层。任何场景的支撑都依赖于底层概念与实体的组合——它们通过编排与组装，最终完成场景的构建与问题的解决。
当选中“如何构建知识库”这一场景时，系统会自动列出支撑该场景所涉及的全部概念与实体：
同时，可用泳道图分阶段展示执行过程：
或者，通过传统力导向图呈现完整的知识图谱全貌：
基于该本体模型，接下来是构建一套全新的写作提示词系统。整套写作流程被拆解为7个核心步骤：
- 问题解析：解构用户问题的核心主题、关键词、类型以及隐含约束，输出一份“约束检查清单”。
- 场景匹配：打开场景文件，利用关键词在47个场景中进行检索匹配。完全命中则直接复用场景组合；部分命中则合并邻近场景；未命中则记录为待补充的新场景。
- 概念组装：根据命中的场景，逐一调用原子概念与组合概念，检查其IPO四元组或分解步骤。未命中的同样记录在案。
- 实体调取：每个概念在引用工具/技术/框架时，会触发实体调用，需到对应的实体文件中查找。未命中则继续记录。
- 原文深挖：对路径上的每个核心概念或实体，读取其原始Markdown文件，提取关键段落作为文章的血肉——加粗的观点句优先，案例段次之，流程描述改造为列表或表格。
- 结构化写作：按照既定的写作规范输出Markdown文件。
- 反向校验：文章完成后，输出一份补全建议，内容包括新场景、新概念、新实体、关系补全及死链修正。
基于这套提示词系统，即可启动完整的知识问答与基于知识库的写作工作。而且这个知识库具备动态进化能力——每次写作结束后，AI会自动分析是否需要增加新的场景或概念，以及现有概念实体是否存在需要修复的死链。
换句话说，整个知识库随着新场景与新问题的不断引入，能够实现持续自我迭代。这正是Karpathy所提出的LLM-Wiki理念的核心特性。
这一思路已经应用到了近期构建的AI知识库应用中。该知识库不仅支持简单的问答——由于构建了完整的场景-概念-实体三层知识图谱网络，对于复杂场景，AI能够完整地构建写作方案，实现知识点的精准组装与呈现。
甚至，针对某个特定主题，输出接近10万字的长文也毫无压力。
这种基于LLM-Wiki的、以场景驱动的新一代AI知识库，从根本上解决了传统RAG知识库频发的知识幻觉问题，能够更有效地支撑方案类文档的撰写——包括立项报告、采购文件、招标文件、标准规范以及各类文档模板。
当前Conflux知识库仍在迭代优化中，后续将对外发布公网测试环境。