给自己做了一个产品知识库助手
起因
做产品时间长了，文档会越堆越多。
需求文档、功能说明、交互逻辑、历史决策……每一条都有文档，但问题是你知道这个逻辑「写在某个地方」，但不知道具体在哪里。Confluence 的搜索很难用，关键词搜不准，更别说理解上下文了。
有时候开会被问到一个细节，我自己都要当场打开文档翻半天。
怎么做的
技术上用了 RAG（检索增强生成）的思路：
- 把产品文档切成小片段，做成向量 embedding
- 用户问问题时，先语义检索最相关的内容
- 把检索结果和问题一起交给 LLM，生成有上下文的回答
界面做得很简单，就是一个对话框。问「精准学的推题逻辑是什么」，它会把文档里相关的段落找出来，然后给你一个整合过的答案，还能追问。
实际效果
对于「这个功能的逻辑是什么」「这个设计当时为什么这么决定」这类问题，效果很好，基本不需要自己去翻文档了。
对于需要最新信息的问题（比如「这个版本的排期」），它不行——那是发版看板该干的事。
两个工具配合用，基本覆盖了我日常查信息的大部分场景。
一个小感悟
做这个工具的过程让我重新思考了一件事：我们平时积累的文档，其实是有价值的，只是检索太难了。
RAG 本质上是在解决「知识存在但不可用」的问题。产品文档、会议纪要、决策记录，这些东西如果能真正被用起来，对团队效率的提升会比写更多文档大得多。