全渠道会话、AI 回复、工单与质检
文档按版本管理（草稿 → 待审核 → 已发布）；官方知识每周自动学习并写入文件化知识库（文档/kb），Agent 仅检索已发布且未被降权的文档。
定期抓取巨量本地推/引擎官方知识，判重后写入知识库并重建检索切片；抓不到的页面如实标记，不写假知识。
还没有学习记录。点击「立即学习」会同步抓取注册表内的官方/本地来源（约 10–60 秒）。
官方抓取 → 官方 md 落盘 → 文件同步入库 → 向量索引 → 检索评测 → 知识净化；每周自动执行，也可手动运行。
未配置 embedding 模型，当前关键词打分 + LLM rerank，不是假向量（vector=false）。
原因：未配置 EMBEDDING_BASE_URL/EMBEDDING_API_BASE/EMBEDDING_API_KEY（或 OPENAI_BASE_URL/OPENAI_API_KEY），运行时回退关键词+LLM rerank，不使用伪造向量
配置 embedding 后运行流水线即可生成真实向量索引；在此之前 citation 会标记 vector=false。
还没有知识文档
点击右上角「新增知识」创建草稿，提交审核并通过后 Agent 才会检索引用；也可以在 文档/kb 维护 md 后运行 kb-sync。
分析历史成功计划（含已删除历史，仅学习不用于动作），总结可复用特征并沉淀知识；可随时手动复盘。
来自 Agent 升级闭环：低置信度或知识不足时自动记录，补齐后可标记解决。
知识库通过「检索增强生成」参与 Agent 推理，所有结论都可以追溯到具体片段。
Agent 结合当前分析目标改写检索问题，例如把「计划效果不好」改写为「低效计划止损阈值与预算调整幅度」。
按模块、门店与知识状态过滤，只召回已发布文档，避免草稿或过期规则进入模型上下文。
关键词打分叠加语义向量召回（Demo 使用 SQLite 关键词检索），重排后取 Top-K 片段注入 Prompt。
模型输出必须携带 docId / chunkId / snippet / score；审批卡与运行详情展示引用来源，便于人工复核。
低相关度时不会强行引用：Agent 会将缺失的知识记录为「知识缺口」进入待审核队列，由运营补齐后重新推理，避免编造平台规则。
知识源文件保存在项目目录 文档/kb/，修改 md 后运行同步脚本即可更新知识库；页面上的 docType / 官方 / 文件路径 / 质量分即来自 md frontmatter 与人工反馈。
文档/kbnode scripts/kb-sync.mjsnode scripts/kb-sync.mjs --dry-run（只看将新增/更新）让 Agent 的引用始终基于最新、可追溯的企业知识。