不是问答机器人，是知识的继承者
在本项目的验证实例中，AI 被设定为以第一人称「我」回答，引用具体信件年份与数据，沿用价值投资、长期持有、护城河这套判断语言，风格接近股东信。企业用它承载自己的专家体系时，AI 回答依据的是企业自己的资料，而不是通用模型的泛泛之谈。
把一个专家的判断方式，装进企业自己的知识体系
让 AI 承载某个专家的思想、思维方式与经验，基于企业自己的知识库持续思考和回答。用于企业时，它不是通用问答机器人，而是由内部资料编译出的知识与经验的继承者——新员工可以通过对话向它学习前人的判断依据，老员工的经验也不再只留在脑子里。本案例以巴菲特历年公开发表的股东信与访谈为资料来源，编译出 246 个知识页面与 2896 组引用关系，完整演示了这套机制的实际效果。
这个系统证明我们能
知识编译流程
242 节点 · 2896 引用
原始资料
股东信 98 · 访谈 27 · 概念 49 · 公司 61 · 人物 7
结构化编译
逐份提取要点，生成带元数据的知识页面
关系构建
页面之间以双向链接互相关联，形成网络
可查询
图谱浏览、全文检索、AI 问答三种入口
编译产物是可读的结构化页面，而非不可追溯的向量片段—— 每条结论都能回溯到具体出处。
246
编译知识页面
5
实体分类
2
阶段检索
技术实现
在本项目的验证实例中，AI 被设定为以第一人称「我」回答，引用具体信件年份与数据，沿用价值投资、长期持有、护城河这套判断语言，风格接近股东信。企业用它承载自己的专家体系时，AI 回答依据的是企业自己的资料，而不是通用模型的泛泛之谈。
知识库里没有的内容，它会明确说「我在股东信中没有直接讨论过这个问题」，然后基于已有的判断框架给出推测性回答，并标明这是推测。这一条是知识库类 AI 最难做到的——模型天然倾向于给出一个像模像样的答案，而可信度恰恰来自它敢于承认边界。
传统 RAG 每次提问都要重新检索原始文档再交给模型。这里改为一次性把 246 篇资料编译成结构化知识页面，页面之间用双向链接互相引用，形成模型可直接使用的知识网络。
第一阶段用多粒度 n-gram 匹配定位核心页面，第二阶段沿知识图谱的邻接关系扩展关联内容，补充上下文完整度。命中数量固定为 4+2，避免召回质量随提问方式波动。
模型的推理内容与最终回答分开推送，界面上思考过程可折叠。新人不仅得到答案，还能看到判断是怎么得出的——这才是知识传递该有的形式。
用力导向图把页面与引用关系渲染成可视化网络，领域概念、公司、人物之间的关联一目了然，支持从任意节点探索相邻知识。
246 篇原始资料编译为 246 个结构化知识页面，覆盖信件、访谈、概念、公司、人物五类实体，零遗漏。全栈采用 Vue 3 + Express + D3 + 大模型 API，AI 对话以流式输出呈现。
技术栈
下面是这套系统实际使用的技术。同一套能力可以直接用于承接企业项目。
数据规模
以下数字来自实际构建产物，不是估算值。 全部内容可以在线浏览，无需注册。
246
知识页面
2896
引用关系
5
实体分类
我们把这套系统的一个实例部署在公开环境，你可以直接浏览全部知识页面与知识图谱。 出于成本与密钥安全考虑，演示环境未开放 AI 问答——该能力需要结合客户自身资料 编译知识并绑定对应专家人格，不脱离具体业务场景演示。
我们是软件开发团队，自研系统主要用于验证工程能力，不是面向公众的商业化产品， 因此不会做推广运营。它的作用是让潜在客户看到—— 我们具备把一个想法完整做成系统的能力。如果你有需要落地的项目， 我们更愿意聊你的具体需求。
讨论你的项目下一套系统
吾同传译 WuTong
英中实时同声传译