市面上大多数「知识库问答」工具的套路都差不多：把文档切块、算 embedding 、塞进向量库，提问时按相似度召回若干碎片喂给 LLM 。KaaS 做了两个和主流不太一样的选择： 先编译再检索 ：不直接对原始碎片做 RAG 。先用 LLM 把散乱内容编译成一篇篇结构化的 Markdown Wiki 文章，再在这上面做检索。 不用 embedding ：检索阶段没有向量库、没有相似度计算。文章目录直接喂给 LLM ，让它像人翻目录一样选页、读全文。 这篇讲整套系统的骨架和几个关键取舍，单个机制的细节留给后续文章。 解决什么问题 KaaS 最初是我们内部的一个工具。知识散落在文档、会议、邮件里，每当有人转岗或离开，他积累的上下文就跟着走了，接手的人要花几周重新拼凑。 我们要的是让散乱输入沉淀成可读、可编辑、能长期演进的知识资产：人能直接打开读的 Markdown ，而不是黑盒向量库。这也定了架构的走向：编译质量第一，检索只是编译产物之上的一层薄导航。 带来了什么价值 对使用者来说，KaaS 的价值集中在几点： 散乱...