一、背景介紹

在相當(dāng)長(zhǎng)的一段時(shí)間里，蔚來公司內(nèi)部存在多個(gè)類似的知識(shí)庫(kù)系統(tǒng)。這些系統(tǒng)之間缺乏互通性，形成了一種數(shù)據(jù)孤島的狀態(tài)，因此帶來了知識(shí)查找困難、使用不便等問題。用戶不知到去何處獲取知識(shí)，同時(shí)即便找到相關(guān)資料，也無法確認(rèn)其完整性和準(zhǔn)確性。

在上述背景下，我們?cè)O(shè)立了一個(gè)知識(shí)項(xiàng)目，旨在構(gòu)建一個(gè)公司級(jí)別的知識(shí)平臺(tái)，以實(shí)現(xiàn)以下目標(biāo)：

• 以公司級(jí)視角來指導(dǎo)與整合各業(yè)務(wù)方的知識(shí)資產(chǎn)；
• 建設(shè)一個(gè)好用且具備足夠彈性的知識(shí)管理工具；
• 形成一套公司級(jí)的知識(shí)資產(chǎn)管理規(guī)范；
• 建立一套高效的知識(shí)應(yīng)用推廣方案；
• 支持大模型知識(shí)、語料。

二、整體架構(gòu)設(shè)計(jì)

第一部分如下圖所示，是知識(shí)平臺(tái)的整體架構(gòu)。整體架構(gòu)看似復(fù)雜，但分層理解后就很清晰了。

從最底層開始，我們稱之為“原始材料層”。這一層包括公司內(nèi)部各類知識(shí)庫(kù)系統(tǒng)所提供的原始語料。正如前文所述，這些知識(shí)庫(kù)系統(tǒng)在過去以數(shù)據(jù)孤島的形式存在，彼此之間缺乏互通性。它們作為知識(shí)平臺(tái)的基礎(chǔ)資料來源，涵蓋了生產(chǎn)、研發(fā)、質(zhì)量等領(lǐng)域的知識(shí)數(shù)據(jù)。

在這些原始資料的基礎(chǔ)上，我們建立了一套統(tǒng)一的知識(shí)生產(chǎn)運(yùn)營(yíng)工具，涵蓋知識(shí)接入、生產(chǎn)加工等功能。通過這套工具，各種原始材料（如飛書文檔、富文本文檔、PDF 和 Word 文件等）被整合并接入知識(shí)平臺(tái)。知識(shí)生產(chǎn)加工過程包含編輯、審核、加工和分析等一系列功能，旨在將分散的原始材料轉(zhuǎn)化為統(tǒng)一的知識(shí)資產(chǎn)。

根據(jù)知識(shí)的密級(jí)，我們將公司級(jí)知識(shí)資產(chǎn)劃分為兩大類：公開知識(shí)與企業(yè)內(nèi)部知識(shí)。公開知識(shí)進(jìn)一步細(xì)分為結(jié)構(gòu)化和非結(jié)構(gòu)化兩類；而企業(yè)內(nèi)部知識(shí)則涉及培訓(xùn)、產(chǎn)品研發(fā)、銷售、質(zhì)量管理和生產(chǎn)制造等領(lǐng)域。

在此基礎(chǔ)上，我們搭建了一系列知識(shí)服務(wù)，其中包括內(nèi)容服務(wù)和為大型模型提供的語料服務(wù)。具體內(nèi)容服務(wù)包括知識(shí)查找、查看以及相關(guān)交互功能。我們提供了多種知識(shí)查找方式，如全文檢索、內(nèi)容檢索、向量檢索、目錄索引和重點(diǎn)推送等，并支持富文本內(nèi)容查看和推薦內(nèi)容展示。此外，知識(shí)服務(wù)平臺(tái)還包括與用戶互動(dòng)的部分，確保知識(shí)的有效傳遞和應(yīng)用。

經(jīng)過上述流程，最終形成成品知識(shí)庫(kù)，包括客服產(chǎn)品、銷售產(chǎn)品等成品知識(shí)庫(kù)，類型涵蓋問答庫(kù)、成品推文及操作手冊(cè)等?；谶@些成品知識(shí)，我們可以構(gòu)建多樣化的知識(shí)應(yīng)用，例如知識(shí)門戶、知識(shí)管理后臺(tái)和 AI 應(yīng)用等。同時(shí)，整個(gè)知識(shí)平臺(tái)還支持全公司范圍內(nèi)智能化服務(wù)的建設(shè)，如 NIO APP、Nomi 和客服系統(tǒng)等，由底層知識(shí)平臺(tái)提供支持，用于構(gòu)建與知識(shí)相關(guān)的智能化應(yīng)用。

此外，知識(shí)平臺(tái)也為大型模型提供服務(wù)，通過提供語料支持其訓(xùn)練和微調(diào)，在基座大模型上進(jìn)行擴(kuò)展，構(gòu)建成各領(lǐng)域的專業(yè)模型。這部分工作包括為企業(yè)內(nèi)外部的不同需求提供語料服務(wù)，促進(jìn)大模型的應(yīng)用和發(fā)展。

最后，我們?cè)O(shè)立了一條反饋鏈路，用以處理知識(shí)在應(yīng)用過程中發(fā)現(xiàn)的問題，如知識(shí)錯(cuò)誤或過期等。這些問題將通過該鏈路反饋到原始生產(chǎn)環(huán)節(jié)，進(jìn)行二次生產(chǎn)和加工，以解決問題。同時(shí)，我們有一套完善的權(quán)限管理體系，包括用戶角色設(shè)定等安全措施，確保知識(shí)平臺(tái)的安全性和防止信息泄露。

第二部分是異構(gòu)知識(shí)的結(jié)構(gòu)化加工系統(tǒng)架構(gòu)，知識(shí)的形式多種多樣，從各種非結(jié)構(gòu)化的信息到最終可直接應(yīng)用的知識(shí)，其間需經(jīng)歷一個(gè)復(fù)雜且鏈路較長(zhǎng)的知識(shí)加工過程。

上圖中，縱向列出了整個(gè)知識(shí)加工的具體步驟，而橫向則展示了知識(shí)加工流程以及為此配套建設(shè)的知識(shí)工具。首先，從知識(shí)需求分析開始，明確所需的知識(shí)內(nèi)容，并據(jù)此建立需求地圖。隨后，進(jìn)入知識(shí)生產(chǎn)運(yùn)營(yíng)階段，在此階段，平臺(tái)提供編輯、審核等一系列功能支持。為了實(shí)現(xiàn)這些功能，我們開發(fā)了相應(yīng)的生產(chǎn)運(yùn)營(yíng)工具。

經(jīng)過上述流程生產(chǎn)的知識(shí)及統(tǒng)一集成的知識(shí)將被整合入知識(shí)平臺(tái)。為了達(dá)成這一目標(biāo)，我們采用多種集成方式，如通過 HTTP、MR、數(shù)倉(cāng)等手段，將公司內(nèi)部各個(gè)知識(shí)孤島中的知識(shí)資源進(jìn)行全面集成。知識(shí)的載體可以是 PDF 文檔、飛書文檔、代碼或網(wǎng)頁。形態(tài)包括文本、圖片、表格、視頻等形式。為了支持這一結(jié)構(gòu)化加工過程，我們開發(fā)了一套統(tǒng)一的結(jié)構(gòu)化加工工具。該工具能夠?qū)⒅R(shí)轉(zhuǎn)化為文字形式，并進(jìn)行模塊化處理，隨后執(zhí)行切分和信息抽取等操作。具體而言，文本將根據(jù)一定規(guī)則被切分為多個(gè)片段，再進(jìn)行標(biāo)注和摘要生成，最終統(tǒng)一錄入數(shù)據(jù)庫(kù)。其中會(huì)用到多種切分方法和信息抽取技術(shù)。

最終，我們的知識(shí)平臺(tái)實(shí)現(xiàn)了多方面的應(yīng)用消費(fèi)功能，如知識(shí)搜索和知識(shí)問答，這些功能依據(jù)知識(shí)空間的不同分別實(shí)施問答和搜索能力。應(yīng)用消費(fèi)環(huán)節(jié)產(chǎn)生的反饋信息將回流至知識(shí)需求模塊，更新需求地圖，從而形成一個(gè)完整的閉環(huán)。

第三部分是企業(yè)內(nèi)部知識(shí)智能檢索架構(gòu)，即傳統(tǒng)意義上的 RAG（Retrieval-Augmented Generation）。

如上圖所示，蔚來汽車的知識(shí)平臺(tái)在實(shí)現(xiàn) RAG 時(shí)采用了以下方法：首先，對(duì)于每次知識(shí)文檔更新，系統(tǒng)會(huì)進(jìn)行內(nèi)容抽取服務(wù)，提取文檔中的文本部分。隨后，執(zhí)行知識(shí)切片服務(wù)，并對(duì)切片后的內(nèi)容進(jìn)行向量化處理，最終存儲(chǔ)至向量數(shù)據(jù)庫(kù)中。

進(jìn)入在線服務(wù)階段，當(dāng)用戶提出問題時(shí)，系統(tǒng)首先會(huì)對(duì)查詢進(jìn)行改寫，然后將改寫后的問題向量化，與向量數(shù)據(jù)庫(kù)中的知識(shí)切片進(jìn)行匹配。匹配到的相關(guān)知識(shí)點(diǎn)會(huì)被重新排序，以確定最相關(guān)的信息。最后，通過大模型的提示詞工程，使用企業(yè)專屬的大模型生成最終答案，包括答案文本及其引用的知識(shí)點(diǎn)，形成完整的回答返回給用戶。

在整個(gè)知識(shí)語料加工過程中，除了向量數(shù)據(jù)庫(kù)的存儲(chǔ)外，這些資料還用于支持大模型的服務(wù)，例如語料微調(diào)和評(píng)估，從而構(gòu)建出我們企業(yè)專屬的大模型。

傳統(tǒng)方式下，用戶輸入問題后需搜索并逐一查看相關(guān)知識(shí)文檔，以獲取所需信息；而采用 RAG 流程，用戶提問后直接獲得答案及相關(guān)的知識(shí)點(diǎn)，顯著節(jié)省了時(shí)間。這一時(shí)間節(jié)省主要?dú)w因于大模型能夠提供高度滿足需求的回答，減少了用戶進(jìn)一步查閱詳細(xì)知識(shí)的需求。因?yàn)橛脩魧?duì)初始答案不滿意并需要進(jìn)一步搜索或點(diǎn)擊鏈接查看文檔的比例較少，整體計(jì)算下來可以大約可以節(jié)省 40% 的時(shí)間，明顯提升了用戶查找知識(shí)的效率。

三、挑戰(zhàn)與解決思路

在這一章節(jié)中，將介紹實(shí)際運(yùn)行過程中遇到的問題、挑戰(zhàn)以及解決方案。

第一個(gè)挑戰(zhàn)是知識(shí)問答系統(tǒng)的準(zhǔn)確性。目前，我們的知識(shí)問答系統(tǒng)在公司內(nèi)部測(cè)試中已達(dá)到 90% 以上的準(zhǔn)確率。這一成就得益于我們將公司內(nèi)的知識(shí)問答劃分為三大類別：專業(yè)問題、敏感問題以及普通問題，針對(duì)不同類別的問題制定不同的策略，如下圖所示。

對(duì)于專業(yè)問題和敏感問題，我們采取關(guān)鍵詞檢索的方式來處理。由于 RAG（Retrieval-Augmented Generation）技術(shù)對(duì)專業(yè)術(shù)語的理解可能存在局限，會(huì)導(dǎo)致回答不夠精準(zhǔn)或答非所問的情況。因此，對(duì)于需要高度專業(yè)性的問題，直接通過關(guān)鍵詞檢索引導(dǎo)用戶至具體的知識(shí)點(diǎn)更為有效。同樣地，對(duì)于敏感問題，如銷售政策等容錯(cuò)率為零的場(chǎng)景，也采用關(guān)鍵詞檢索方式，確?；卮饻?zhǔn)確。

除了上述兩類之外的所有問題被歸為普通問題，進(jìn)一步細(xì)分為三種處理類型：當(dāng)向量檢索后發(fā)現(xiàn)知識(shí)庫(kù)中有充足的相關(guān)信息時(shí)，系統(tǒng)將正常生成答案；若在向量檢索過程中發(fā)現(xiàn)相關(guān)信息不足，即匹配度較低或得分值不高的情況下，系統(tǒng)會(huì)發(fā)出風(fēng)險(xiǎn)提示，告知用戶該回答可能存在誤差，請(qǐng)謹(jǐn)慎判斷；對(duì)于完全無法從知識(shí)庫(kù)中檢索到相關(guān)信息的問題，系統(tǒng)將退化為使用大模型進(jìn)行普通回答，并明確提示用戶，指出這是基于大模型的能力而非知識(shí)庫(kù)內(nèi)容生成的答案。

通過這種分類處理的方法，我們構(gòu)建了一套完整的知識(shí)問答體系，旨在提高回答的準(zhǔn)確性和用戶的滿意度，同時(shí)確保敏感信息的處理符合高標(biāo)準(zhǔn)要求。

第二個(gè)挑戰(zhàn)是知識(shí)點(diǎn)的訪問權(quán)限控制。企業(yè)內(nèi)部的知識(shí)問答與公開的大模型問答（如 chat-gpt）不同，企業(yè)內(nèi)的知識(shí)點(diǎn)訪問需要是受到嚴(yán)格的權(quán)限管理。這意味著，對(duì)于同樣的問題，公開的大模型可能會(huì)對(duì) 1000 個(gè)用戶給出相同或相似的答案；而在企業(yè)內(nèi)部環(huán)境中，因?yàn)槊课粏T工的知識(shí)訪問權(quán)限可能各不相同，1000 名員工針對(duì)同一問題可能得到 1000 個(gè)不同的答案。

如上圖所示，為了應(yīng)對(duì)這一挑戰(zhàn)，我們采用了基于角色的權(quán)限控制方案（Role-Based Access Control, RBAC）。我們建立了一個(gè)權(quán)限配置后臺(tái)，通過用戶角色和權(quán)限設(shè)置來管理訪問控制。每個(gè)用戶根據(jù)其職位和職責(zé)被賦予特定的角色，而每個(gè)角色則關(guān)聯(lián)一定的權(quán)限范圍。

在此基礎(chǔ)上，我們構(gòu)建了一套權(quán)限服務(wù)體系，該服務(wù)負(fù)責(zé)查詢用戶當(dāng)前的角色及其所擁有的權(quán)限。在知識(shí)搜索和問答場(chǎng)景中，系統(tǒng)會(huì)依據(jù)用戶的當(dāng)前角色，在向量數(shù)據(jù)庫(kù)中匹配其權(quán)限范圍內(nèi)允許訪問的知識(shí)內(nèi)容。僅使用這些有權(quán)限訪問的知識(shí)進(jìn)行智能檢索和問答，確?；卮鸬膬?nèi)容嚴(yán)格限制在用戶有權(quán)訪問的知識(shí)范圍內(nèi)，從而保證數(shù)據(jù)的安全性和保密性。

通過這種方式，我們的權(quán)限控制系統(tǒng)不僅支持個(gè)性化的知識(shí)訪問，還有效防止了敏感信息的泄露，保障了企業(yè)內(nèi)部信息的安全性。

第三個(gè)挑戰(zhàn)是多領(lǐng)域的智能問答服務(wù)。對(duì)于蔚來的公司級(jí)知識(shí)平臺(tái)而言，其核心任務(wù)是支持整個(gè)公司范圍內(nèi)的知識(shí)使用場(chǎng)景。每個(gè)知識(shí)使用場(chǎng)景，包括知識(shí)問答場(chǎng)景，都有其獨(dú)特的個(gè)性化需求。如何通過一個(gè)統(tǒng)一的智能問答系統(tǒng)來滿足全公司的幾乎所有場(chǎng)景的需求？我們采用了一種特定的鏈路來實(shí)現(xiàn)這一目標(biāo)，下面以智能問答為例進(jìn)行說明。

如上圖所示，在每個(gè)問題提出的過程中，提問者會(huì)在其特定場(chǎng)景下限定自己的知識(shí)庫(kù)范圍。正如前文所述，知識(shí)平臺(tái)上建立了多個(gè)獨(dú)立的知識(shí)庫(kù)，研發(fā)、生產(chǎn)、銷售等各個(gè)領(lǐng)域均擁有各自的獨(dú)立知識(shí)庫(kù)。例如，當(dāng)研發(fā)領(lǐng)域的智能助手提出問題時(shí)，檢索和回答僅限于研發(fā)知識(shí)庫(kù)內(nèi)進(jìn)行，然后會(huì)進(jìn)入全公司范圍內(nèi)統(tǒng)一的智能回答鏈路，最后在將答案提供給用戶之前，我們會(huì)根據(jù)特定領(lǐng)域的特性對(duì)回答風(fēng)格進(jìn)行調(diào)整，確保其符合該場(chǎng)景的要求。以研發(fā)領(lǐng)域?yàn)槔覀儠?huì)設(shè)定一種符合研發(fā)風(fēng)格的回答模式，使最終的回答既準(zhǔn)確又貼合實(shí)際需求。

通過限定知識(shí)庫(kù)范圍和定制化回答風(fēng)格，可以滿足不同領(lǐng)域的個(gè)性化要求。同時(shí)，利用統(tǒng)一的智能問答服務(wù)，我們實(shí)現(xiàn)了廣泛的復(fù)用性，避免了重復(fù)建設(shè)，從而提高了效率和資源利用率。

第四個(gè)挑戰(zhàn)是高并發(fā)問題。在智能問答場(chǎng)景中，顯卡資源消耗顯著，且因?yàn)橛?jì)算量龐大，計(jì)算耗時(shí)較長(zhǎng)，每個(gè)回答通常需要數(shù)秒時(shí)間，對(duì)于特別復(fù)雜的問題可能需要數(shù)十秒。這使得智能知識(shí)問答服務(wù)難以嵌入到生產(chǎn)、銷售等領(lǐng)域的關(guān)鍵系統(tǒng)中，大多數(shù)場(chǎng)景無法接受如此長(zhǎng)的響應(yīng)時(shí)間。此外，在某些場(chǎng)景下，智能問答工具的訪問量非常大，這對(duì)本身已消耗大量資源的智能問答服務(wù)構(gòu)成了挑戰(zhàn)。

鑒于上述背景，我們?cè)黾恿藢?duì)高并發(fā)的處理，旨在使智能知識(shí)問答服務(wù)能夠覆蓋更多場(chǎng)景并支持更多用戶。如下圖所示：

首先，我們引入了一個(gè)知識(shí)生產(chǎn)流程，該流程包含知識(shí)變更的影響問題計(jì)算。當(dāng)知識(shí)點(diǎn)更新時(shí)，我們計(jì)算哪些問題的回答會(huì)受到影響，并對(duì)這些問題的答案進(jìn)行統(tǒng)一更新。這一過程遵循傳統(tǒng)的 RAG（Retrieval-Augmented Generation）流程，確保答案的準(zhǔn)確性和一致性。更新后的智能問答服務(wù)結(jié)果會(huì)被存入知識(shí)問答緩存數(shù)據(jù)庫(kù)。此數(shù)據(jù)庫(kù)存儲(chǔ)問題及其對(duì)應(yīng)答案，一旦命中緩存中的問題，用戶可在極短時(shí)間內(nèi)獲得答案，無需再次計(jì)算。由于我們有實(shí)時(shí)更新的機(jī)制，緩存庫(kù)中的答案基本保持最新，延遲控制在秒級(jí)。

基于此知識(shí)問答緩存服務(wù)，我們?cè)O(shè)計(jì)了三類智能問答機(jī)器人：No Cache、Only Cache 和 Cache First。

No Cache：這種模式下，智能問答服務(wù)直接提供正常答案。其特點(diǎn)是回答覆蓋面廣但速度較慢，不支持高并發(fā)，因此應(yīng)用場(chǎng)景有限。

Only Cache：在這種模式下，提問時(shí)直接查詢緩存服務(wù)。如果找到答案，則立即返回；若未找到，則返回空值表示無法回答。這種方式的特點(diǎn)是速度快但問題覆蓋率低，適用于對(duì)響應(yīng)時(shí)間和性能要求極高的場(chǎng)景。

Cache First：這是我們的主要推薦模式，適用于絕大多數(shù)場(chǎng)景。提出問題后，首先查詢緩存。如果緩存中有答案，則立即返回；如果沒有，則進(jìn)入正常的智能問答流程獲取正常答案。這種方式結(jié)合了快速響應(yīng)和廣泛覆蓋的優(yōu)點(diǎn)，平均吞吐量可增加 30% 以上，尤其在命中緩存的情況下，響應(yīng)時(shí)間幾乎可以忽略不計(jì)，顯著提升了系統(tǒng)的并發(fā)處理能力。

綜上所述，通過構(gòu)建知識(shí)緩存數(shù)據(jù)庫(kù)和支持不同模式的智能問答機(jī)器人，我們實(shí)現(xiàn)了對(duì)高并發(fā)的支持，既提高了系統(tǒng)的響應(yīng)速度和效率，又保證了廣泛的問答覆蓋范圍。

四、未來展望

最后是對(duì)未來工作的展望。在當(dāng)前平臺(tái)建設(shè)的基礎(chǔ)上，我們計(jì)劃推進(jìn)以下幾個(gè)方面的工作。

1. AI 輔助知識(shí)理解

目前，我們?cè)谥R(shí)平臺(tái)中已經(jīng)引入了 RAG（Retrieval-Augmented Generation）流程，實(shí)現(xiàn)了智能知識(shí)檢索和問答服務(wù)，使用戶能夠便捷地獲取所需信息。然而，當(dāng)直接的回答無法完全滿足用戶需求時(shí)，用戶仍需查閱詳細(xì)的正文內(nèi)容。為了改善這一情況，我們將增加 AI 輔助知識(shí)理解功能。具體而言，在用戶瀏覽知識(shí)詳情時(shí)，系統(tǒng)將利用AI能力自動(dòng)生成文檔摘要，減少用戶的閱讀時(shí)間，并提供術(shù)語解釋服務(wù)，幫助用戶理解文檔中的專業(yè)名詞。這種AI輔助理解功能旨在優(yōu)化知識(shí)瀏覽和消費(fèi)體驗(yàn)。

2. AI 輔助知識(shí)創(chuàng)作

在知識(shí)生產(chǎn)過程中，盡管目前仍以人工為主，但我們計(jì)劃引入 AI 輔助知識(shí)創(chuàng)作工具。這些工具可以幫助撰寫新文檔或在現(xiàn)有知識(shí)基礎(chǔ)上進(jìn)行擴(kuò)展和續(xù)寫，從而提高知識(shí)創(chuàng)作的速度和效率，擴(kuò)大整個(gè)知識(shí)平臺(tái)的知識(shí)儲(chǔ)備量。

3. 多模態(tài)能力

除了傳統(tǒng)的文本形式，我們還計(jì)劃研究并開發(fā)多模態(tài)知識(shí)處理能力。雖然數(shù)據(jù)存儲(chǔ)方面已支持圖片、視頻等多種格式，但在智能問答領(lǐng)域，我們希望進(jìn)一步拓展其功能，例如通過上傳圖片提問，并基于圖片內(nèi)容生成回答。此外，我們還將探索圖文混合等多模態(tài)交互方式，以增強(qiáng)系統(tǒng)的智能化水平。

4. 知識(shí)類型擴(kuò)展

現(xiàn)有的知識(shí)類型涵蓋了 PDF、網(wǎng)頁等多種格式，但并未涵蓋所有可能的形式。未來，我們將考慮在此基礎(chǔ)上擴(kuò)展支持更多種類的知識(shí)資源，確保任何類型的知識(shí)都能融入到我們的知識(shí)平臺(tái)中進(jìn)行加工、治理和管理，從而進(jìn)一步豐富平臺(tái)的知識(shí)儲(chǔ)備，提升其全面性和適用性。

綜上所述，通過引入 AI 輔助知識(shí)理解、AI輔助知識(shí)創(chuàng)作、多模態(tài)能力和知識(shí)類型擴(kuò)展，我們將持續(xù)優(yōu)化和完善知識(shí)平臺(tái)的功能和服務(wù)，以更好地滿足用戶需求并提升平臺(tái)的整體價(jià)值。

五、Q&A

A1：是的，對(duì)于專業(yè)問題和敏感問題，系統(tǒng)會(huì)退化為基于全文檢索。這類問題不適合通過語言模型進(jìn)行推理處理，因此采用全文檢索以確?；卮鸬臏?zhǔn)確性和安全性。

A2：緩存庫(kù)中的答案之所以準(zhǔn)確，是因?yàn)槠湟蕾囉谌齻€(gè)不變的因素：用戶提出的問題、知識(shí)庫(kù)的內(nèi)容以及背后的大模型。具體而言，在問答背后的大型模型和問題本身沒有變化時(shí)，唯一可能影響答案準(zhǔn)確性的是知識(shí)庫(kù)的更新。然而，在知識(shí)點(diǎn)發(fā)生變化的情況下，我們會(huì)及時(shí)更新緩存中的答案，以確保其準(zhǔn)確性。因此，無需每次依賴人工專家標(biāo)注，而是通過自動(dòng)化機(jī)制保證緩存答案的正確性。