← → 翻页 · B 静态 · ESC 索引
逸问有数 · YiData 知识库培训
SS · 2026.05.14 · 01 / 14
KNOWLEDGE BASE TRAINING

知识库使用
培训教程

城市级智慧停车运营项目 · 面向财务与运营人员
YKAI · YiData
← → 翻页 · ESC 索引
核心理念 · 为什么需要知识库
02 / 14
CORE CONCEPT

知识库是企业词典，
帮 AI 理解业务语言

当您问 AI "上个月各停车场周转率排名"——AI 需要理解两件事：

01 "周转率" 是什么？计算公式是什么？
02 数据库字段是什么意思？occ_rate 是占用率还是周转率？
核心理念：您把业务知识教给系统 → 系统在每次对话中自动检索 → AI 带着业务上下文回答问题
知识库模块概览
03 / 14
MODULES

四大模块，两类已上线

已上线

指标公式库

定义业务指标的计算口径、公式和版本，每次对话自动引用最新定义

已上线

数据字典

解释数据库字段的业务含义、同义词和示例值，让 AI 读懂缩写

规划中

业务规则

脱敏规则、权限规则、合规校验等

规划中

待审批

知识变更的审核流程，保障数据口径权威性

指标公式库 · 停车行业典型指标
04 / 14
METRIC CATALOG

7 大核心指标 · 版本化管理

泊位周转率 COUNT(入场记录) / 总泊位数 运营分析 v1.0
泊位占用率 SUM(停车时长) / (总泊位数 × 营业时长) 运营分析 v1.0
单车位日均收入 SUM(实收金额) / 总泊位数 / 统计天数 财务分析 v1.0
收费完成率 COUNT(已缴费订单) / COUNT(应缴费订单) × 100% 财务分析 v1.1
逃费率 COUNT(未缴费出场) / COUNT(总出场) × 100% 运营分析 v1.0
车均停车时长 SUM(停车时长) / COUNT(订单数) 运营分析 v1.0
电子支付占比 SUM(电子支付金额) / SUM(总实收) × 100% 财务分析 v1.2
数据字典 · 核心字段示例
05 / 14
DATA DICTIONARY

英文缩写 → 业务含义 + 同义词

01
plate_no → 车牌号
同义词：车牌, 车号, plate
02
lot_name → 停车场名称
同义词：车场名, 点位
03
duration_min → 停车时长
同义词：停放时长, 停留时间
04
paid_amount → 实收金额
同义词：实收费, 到账金额
05
pay_method → 支付方式
同义词：支付渠道, 付款方式
06
arrears_flag → 是否欠费
同义词：欠费标记, 未缴费, 欠款
操作指南 · 访问知识库
06 / 14
WORKFLOW

三步访问知识库

STEP 01 登录系统 YiData
账号密码登录
STEP 02 左侧导航 点击"知识库"
书本图标入口
STEP 03 查看概况 指标数量 · 字典条目
总命中次数
页面顶部 Tab 切换：指标公式库 / 数据字典 / 业务规则 / 待审批
知识库如何影响 AI 对话
07 / 14
RAG PIPELINE

每次对话自动检索 · 注入 · 生成

01
用户提问
"上个月各停车场周转率排名"
02
向量检索
问题向量化 → 知识库检索相关指标和字段
03
注入提示词
检索结果注入 AI 系统提示词
04
生成精确 SQL
AI 带业务上下文生成查询
05
返回结果 + 图表
执行查询，生成摘要和可视化
效果对比 · 知识库的价值
08 / 14
BEFORE / AFTER

有知识库 vs 没有知识库

WITHOUT 没有知识库
问"周转率排名" → AI 可能猜错公式
问"逃费情况" → AI 不理解"逃费"是什么
问"蓝牌车占比" → AI 不知道 plate_color 字段
问"路侧车场收入" → AI 找不到分类字段
WITH 有知识库
AI 准确引用指标定义，查询符合业务口径
通过同义词匹配到 pay_status + exit_time
准确生成按 plate_color 分组统计
字典理解 parking lot 分类字段
不仅对话生效，智能报表的数据画像、规划、下钻阶段也自动引用知识库。
操作指南 · 批量导入数据字典
09 / 14
BATCH IMPORT

推荐：批量导入 JSON 模板

新数据源上线时，用批量导入快速覆盖所有字段。5 分钟投资让后续所有查询准确率大幅提升。

① 点击右上角"批量导入"
② 粘贴 JSON 数组数据
③ 点击"导入"按钮入库
[ {"physical_name": "plate_no", "business_name": "车牌号", "synonyms": "车牌,车号,plate", "data_type": "VARCHAR(16)", "sample_value": "京A12345"}, {"physical_name": "lot_name", "business_name": "停车场名称", "synonyms": "车场名,点位", "data_type": "VARCHAR(64)", "sample_value": "中山路路侧停车场"}, {"physical_name": "duration_min", "business_name": "停车时长(分钟)", "synonyms": "停放时长,停留时间", "data_type": "INT", "sample_value": "613"}, ... ]
关键：同义词是灵魂——把不同同事对同一事物的所有叫法都写进去，AI 识别率大幅提升。
运维最佳实践 · 日常维护节奏
10 / 14
MAINTENANCE CADENCE

不同频率 · 不同角色 · 不同任务

即时 新数据源 批量导入字段字典
负责人：数据源上传者
每周 检查命中 优化命中为 0 的指标/字典描述
负责人：运营主管
每月 核对公式 检查指标公式是否与现行制度一致
负责人：财务主管
新制度 更新指标 更新或新增相关指标定义
负责人：制度发布者
回答不准 补充知识 检查缺失的字典或指标，补充后重试
负责人：任何人
常见问题排查
11 / 14
TROUBLESHOOTING

三个常见问题及解决方法

PROBLEM 01

AI 总是查不到想要的数据

检查数据字典是否包含相应字段，同义词是否覆盖不同叫法。如大家都说"流水"但字段名是 transaction_detail，字典里没有"流水"同义词就匹配不到。

→ 补充同义词
PROBLEM 02

AI 算的指标和手工算的不一样

检查指标公式库中的计算公式是否准确。可能是公式版本过旧，或没有考虑特殊情况剔除逻辑。更新公式后下次对话使用新口径。

→ 核对并更新公式版本
PROBLEM 03

知识库有相关条目但命中为 0

描述文字与实际提问的语义距离太远。用日常提问的语气重写——"车场里平均每个车位一天停了几辆车"比"COUNT(入场记录)/总泊位数"更容易被检索。

→ 用日常提问语气重写描述
快速上手 · 三步启动
12 / 14
QUICK START

从 0 到 1，三步启动知识库

STEP 01
上传后立即建立字典
上传新数据源后，立即用批量导入建立数据字典。5 分钟的投资让后续所有查询准确率大幅提升。
批量导入 JSON
STEP 02
录入最常用的 5-10 个指标
梳理团队最常问的问题（周转率、占用率、收费完成率），将它们的定义录入指标公式库。
附录有模板可直接复制
STEP 03
发现不准确就修正
AI 回答不准确时，去知识库检查缺失的条目——补充或修正后，下次就不会再错了。
持续迭代优化
权限说明 · 角色与操作权限
13 / 14
PERMISSIONS

三级权限 · 渐进授权

管理员

✓ 查看全部
✓ 新增条目
✓ 编辑/删除自己的
✓ 编辑/删除别人的

普通用户

✓ 查看全部
✓ 新增条目
✓ 编辑/删除自己的
✗ 编辑/删除别人的

只读用户

✓ 查看全部
✗ 新增条目
✗ 编辑/删除自己的
✗ 编辑/删除别人的
检索全局共享 · 编辑仅 admin 或创建者 · readonly 只读
14 / 14
CLOSING
MANIFESTO

知识库是
持续积累的过程

不需要一开始就追求完美——从最常用的 10 个字段和 5 个指标开始，在使用中逐步完善。
YKAI · YiData
2026.05.14
TAKEAWAYS · 核心要点
03 POINTS
01

每次上传后立即建立字典

批量导入 JSON 模板，5 分钟覆盖所有字段，后续查询准确率大幅提升。

02

同义词和示例值决定 AI 准确度

把不同同事对同一事物的所有叫法都写进同义词字段，AI 识别率大幅提升。

03

维护是持续过程 · 发现不准就修正

知识库越用越准——每次 AI 翻车都是完善知识库的机会，补充后下次就不会再错。

→ 完 · 感谢观看