Go Docling / Python Docling · content_list
解析器可以不同，后面的处理保持一致
默认使用 Go Docling，按部署配置选择 Python 解析服务。统一内容元素承接文本、图片、表格和公式，减少下游对单一解析器输出的依赖。
选择与取舍
默认解析减少对独立 Python 服务的依赖；复杂格式、OCR 与视觉处理仍需核对文件质量和模型配置，不承诺任何文件都能正确导入。
WHY IT MATTERS
你的产品，为什么需要它？
企业资料散在不同文件里，直接把整份文档交给模型既难复用，也不方便核验。产品需要把资料组织、检索和原文阅读连接起来。
ENGINEERING THAT SERVES YOUR PRODUCT
先保留资料的结构，再让 AI 找到依据。
协议中的字段名、表格里的对应关系、PDF 图片中的信息，需要不同的处理。联犀把解析、检索和继续取证连接起来，让资料成为你自己产品中的知识能力。
FROM DOCUMENT TO EVIDENCE点击节点，查看技术与理由 · 流程示意
先知道内容是什么、在哪里。
统一内容元素保留文本、表格、图片和公式。结构分块保留可用的章节、页码与位置，媒体产物和生成描述分开保存。
- 输入
- 协议文件 / 图文 PDF / 办公文档
- 产出
- 结构切片 + 原始产物 + 来源定位
输入准备
先知道内容是什么、在哪里。
统一内容元素保留文本、表格、图片和公式。结构分块保留可用的章节、页码与位置，媒体产物和生成描述分开保存。
- 输入
- 协议文件 / 图文 PDF / 办公文档
- 产出
- 结构切片 + 原始产物 + 来源定位
Agent 需要继续查时搜索资料 → 阅读全文 / 查询关系
资料回答“说明怎么写”；业务工具回答“设备现在怎样”。
结构感知分块 · 原始产物与描述分离
分块时留下章节与定位
保留可用的章节路径、页码、阅读顺序与位置；图片、表格、公式保留原始产物，另建描述供文字搜索。找到描述之后，仍能查看它对应的原内容。
选择与取舍
AI 描述不是原文。视觉模型会增加处理成本，也可能误读；不同文件格式能提供的定位信息不同。
PostgreSQL / pgvector · 关键词查询 · RRF
语义找相近问题，关键词找准确术语
向量检索补充语义相似内容，关键词检索正文、文件名和路径，再用 RRF 融合两路排序。协议字段和设备型号不必只依赖语义接近。
选择与取舍
当前关键词路径使用 SQL 词法匹配，不是 BM25。RRF 分数不是正确率；向量索引及性能取决于维度、数据和部署配置。
相邻切片 · 文档与切片关系扩展
先召回，再按需要补上下文
首轮结果不足以解释问题时，补充相邻内容或直接关联资料，让被切开的说明重新连起来。关系界面可以回看两侧依据。
选择与取舍
关系扩展有触发条件，也可能带来噪声。这里是资料之间的关联，不是实体知识图谱或本体推理。
这张界面看什么
看文档之间的关联以及对应证据，不把关系线理解成自动证明结论。
点击截图可放大查看knowledge_search · 全文读取 · 切片关系查询
让 Agent 能继续查，而非只搜一次
三个工具分别承担找资料、阅读全文和查关系。Agent 可以按问题继续取证；实时设备数据则通过业务工具读取，不从旧手册猜测。
选择与取舍
工具使用和后续搜索取决于角色配置与模型判断。检索结果必须支持结论，没有资料时应说明缺项。
这张界面看什么
回看关联两侧的原文，检查引用是否确实支持当前问题。
点击截图可放大查看来源版本 · 处理状态 · 定向重试
资料更新后，还能知道依据来自哪里
处理产物关联来源版本，可查看失败阶段并按需重试。同路径内容哈希未变化时跳过重复编译，让资料维护有可检查的过程。
选择与取舍
这是文档级处理，不代表只改一页就只处理一页，也不是完整历史版本仓库。公共库与企业自有库按各自范围使用。
测试环境实录 · 2026-09-20
从 GB28181 查到 RTSP / RTMP，再回看两侧原文
测试导入联犀公开接入文档，查看直接关联与两侧引用，核对协议配置和接入说明。界面证明取证入口可用，不代表每一条自动生成的关系都正确。
第二个实例 / 隔离测试资料
信息只在图片里，也要能回到那张原图。
2026-09-20 的隔离 PDF 测试中，型号 ZX137、端口 28830 与校验串 ORBIT-7314 只出现在嵌入图片，不在 PDF 文本层。测试记录确认：描述后检索命中 image 产物，并返回媒体引用。
这是指定资料的测试结果，不是客户项目或通用准确率。下方只解释其机制，不伪造测试响应。
- 图片独有内容文本层中没有对应信息
- 配置的视觉模型描述描述参与检索，原图仍保留
- 检索命中 image 产物通过媒体引用复核原图
CHOOSE BY YOUR REQUIREMENTS
选方案，看实现与交付方式。
不以单个技术名判断优劣。共同能力如实说明，重点核对你的资料、业务和运维条件。核验日期：2026-09-23。
Dify · Knowledge Pipeline
官方提供可视化知识处理流程、结构化分块、混合检索、重排与引用，并可供不同 AI 应用复用。
选型时看什么
查看官方说明 ↗选型时重点看可视化处理流程、应用编排与所需连接器。
联犀 · 业务底座中的知识能力
默认 Go 解析、统一产物、双路检索与逐步取证工具，结合公共／企业知识、设备及业务接口交付。
选型时看什么
希望把知识能力放进自有多企业 SaaS、行业应用或设备服务时，重点评估整套接入与维护方式。
FROM CAPABILITY TO YOUR PRODUCT
怎样接进你的业务？
以下是实施路径示意，不会在官网调用业务接口或执行命令。
- 01
整理可用资料
按业务用途选择文件，明确版本与来源，检查扫描质量、表格和章节是否能正确解析。
检查输出可阅读的文档结构与解析结果 - 02
围绕问题检索
用实际问题验证片段召回及关联上下文，而不是只看文件上传成功。
检查输出相关片段、文档与章节来源 - 03
回到原文核验
检查引用是否支持结论；资料缺失、过期或互相冲突时交由人员处理。
检查输出可追溯的回答依据或资料缺项
CONNECTED PRACTICE
放到具体场景中理解。
以下案例展示相关行业问题与业务界面，不表示历史案例已经接入本页全部 AI 能力。
ONE FOUNDATION