可视化流水线知识库处理方式的局限性

我们在《可灵活定制的切片规则，才是 RAG 能够精准的核心关键》https://xie.infoq.cn/article/b5f4d5120ed2fb592271166ca文章中，我们介绍了 UniverAI 平台如何支持开发者自由地处理文件内容。我们之所以没有采取可视化拖拉拽构建知识文档处理流水线的方式来解决复杂问题有以下两个原因：

1. 以史为鉴

传统的数据处理流水线，有许多工具通过拖拽组件、可视化界面来构建数据流水线。这种方式看似简单直观，但为什么它没有成为企业级数据工程的主流选择呢？原因有以下几点：

• 灵活性不足：可视化工具在处理简单任务时表现良好，但面对复杂的业务需求（如多维度数据处理、动态规则调整等），往往显得束手无策。

• 扩展性有限：企业级项目通常需要与多个系统对接，而可视化工具在整合外部 API、处理非标准化数据时，难以灵活适配。

• 维护成本高：特别是当数据处理逻辑需要频繁调整时，可视化工具的界面化操作可能导致维护难度大、效率低。

2. 展望未来

UniverAI 创始团队在企业 AI 落地实践过程中，总结经验教训。早期我们将 RAG（Retrieval-Augmented Generation）作为核心，后来将其视为一种索引机制，现在我们认为 RAG 仅仅是一层简单的动态记忆层。因此，我们认为切片处理应该具备更高的灵活性，切片的发生应在问答中动态处理，而不是在问答之前作为知识的 ETL（Extract-Transform-Load）环节。基于这一理念，我们重构了整个知识库的切片逻辑，为企业提供更高效的动态知识处理能力。

理解非专业开发者的痛点，给出高效解决方

我们充分了解，现在有很多非专业开发者，例如项目经理、产品经理、业务专家，深度参与到企业 AI 应用的落地中。他们是将 AI 技术转化为业务价值的关键力量。然而，这类不熟悉代码编写的用户，往往会优先选择可视化/零代码的文件处理方式。

但在 AI 技术快速发展的今天，更好的解决方案是：充分利用 AI Coding 工具。通过 AI 代码生成工具（如 Cursor），非专业开发者也可以轻松构建文件处理逻辑。通过自然语言描述需求，AI 可以自动生成代码，甚至包含测试逻辑，大幅降低了“写代码”的门槛。实际上，学习使用 Cursor 甚至比掌握复杂的可视化拖拽工具更简单。

• 直观易用：用户无需具备专业开发背景，只需准确描述需求，Cursor 就能自动生成可用代码。

• 灵活性强：相比固定流程的可视化工具，Cursor 生成的代码可以根据企业的个性化需求随时调整和优化。

• 自动测试支持：AI 不仅能生成逻辑，还能帮助用户添加测试代码，确保处理逻辑的准确性和稳定性。

利用 Cursor 构建 UniverAI 知识库处理逻辑

以下是利用 Cursor 构建文档切片处理逻辑的详细步骤，展示了如何从零开始实现一个完整的知识库解析项目。

Step 1：Cursor 中打开脚手架项目

• 登录 UniverAI 平台，进入知识库模块，选择“新建知识库切片解析项目”。

• 下载系统生成的代码脚手架，用于后续开发。脚手架中包含了基本的解析框架，方便用户直接修改和扩展。

Step 2：用自然语言向 Cursor 提需求

不需要一次性长篇大论的把需求描述完成，可以一步一步的来。

1. 首先让 Cursor 读代码，了解代码结构，获得足够的上下文

输入指令：理解项目代码结构

1. 告诉 Cursor，你现在需要替换修改核心的文件处理逻辑。等待 Cursor 的引导，回答必要的问题。

输入指令：请理解附件图片中的文档处理逻辑需求，按照需求实现核心的文件处理逻辑

1. Cursor 提出了需要你补充的信息，我们先把关键的信息补充上。

输入指令：文件输入为单文件，目标输出结构沿用现有的

1. 通过 cursor 撰写切片解析逻辑

• 在 Cursor 中打开脚手架项目，描述需求。例如：“请根据段落、标题和关键字提取法律文档的内容，并为每个切片附加案件名称和关键词。”

• Cursor 根据描述生成初步的解析逻辑代码。用户可以在生成代码的基础上进一步调整，添加更多细节（如按章节切片、提取特定字段等）。

• 示例代码（留空占位符）。

Step 3：测试代码并修复问题

• 在本地运行脚手架项目，使用实际的法律文档作为输入，观察切片效果是否符合预期。

• 如果发现问题（如分割规则不够准确或元数据缺失），可以将问题描述反馈给 Cursor，让 AI 生成优化后的代码。

• 通过不断测试和调整，最终确定代码逻辑的正确性和稳定性。

Step 4：部署自定义逻辑到 UniverAI 平台

• 将完成的脚手架项目打包并部署为独立服务。

• 在 UniverAI 平台中注册该服务，并将其设置为知识库的解析逻辑。

• 最终，企业可以直接在知识库中使用自定义解析规则，满足实际业务需求。

给非专业开发者的建议

对于没有专业开发背景的用户，借助 AI 工具如 Cursor，构建知识文档处理逻辑并不难。以下是几点建议，帮助你快速上手：

1. 善用 AI 工具：Cursor 可以看作你的编程助理。只需用自然语言清晰描述需求，AI 就能帮你完成大部分代码工作。

2. 从简单逻辑开始：一开始可以尝试实现简单的解析任务（如段落切片），逐步积累经验后再尝试更复杂的需求。

3. 结合测试与优化：AI 生成的代码可能并不完美，利用 Cursor 生成的测试逻辑，及时发现并修复错误。

4. 与团队协作：即使是非专业开发者，也可以通过 Cursor 完成初版代码，再与专业开发者协作进行优化。

通过这些方法，企业中的产品经理、项目经理或 AI 产品设计师都可以轻松参与到知识文档处理逻辑的构建中，为 AI 应用效果的提升贡献力量。

最后：

用 Cursor 实现 UniverAI 自定义知识库处理逻辑，不仅降低了开发门槛，还提供了一种高效、灵活的文档处理方式。与传统的可视化工具相比，基于 AI 代码生成的方式能更好地适配企业复杂需求，帮助企业在 AI 应用上实现更大的突破。

当然，除了 Cursor，市场上还有许多优秀的 AI 代码生成工具也能帮助企业快速实现类似的功能。例如，GitHub Copilot；Google 推出的 Codey；字节跳动的 Trae。

未来，随着 AI 开发工具的不断进化，非专业开发者将在技术落地中扮演越来越重要的角色。企业可以通过这些工具，将业务需求迅速转化为技术实现，真正做到用技术驱动业务创新。

最后进行一个总结：真正有效的知识切片与解析是需要基于场景目标进行定制化切片的，只有支持了灵活的知识切片与解析能力，才具备了真正具备生产力的 AI 知识能力。UniverAI 生产级平台目标为 AI 开发者提供全套生产级 AI 工具与组件，确保支撑高复杂度的生产级 AI Agent 端到端构建。

延伸阅读

• UniverAI 平台中，RAG 技术中的知识切片与向量化：构建高效知识库的核心步骤：https://bcn2qkzdygmm.feishu.cn/wiki/Bh4Ew7wreiBTe7kKZDjcgqxAn2e

• 如何使用 UniverAI 平台自定义知识库加工逻辑：https://bcn2qkzdygmm.feishu.cn/wiki/Iej9wKAaCiYmaGkjdPMcaaFBnqb

• UniverAI 平台中零代码搭建智能体 （如何从头创建知识库）：https://bcn2qkzdygmm.feishu.cn/wiki/TvLVwEnmwieaW2kiWRMcSZf4nve