一句话定位：知识库不是"销售修改记录的汇总"，而是需求驱动、结果检验的引擎——客户问题（需求）→ 标准答案（供给，由转化结果检验）→ 销售个性（表达），三层解耦，AI 回复是对三者的检索式合成。
① 四层模型
① 需求 PROBLEM — 客户问题流（源头）
抓取的客户消息 → 聚类成"问题类型图谱" → 产出高频问题 + AI 答不上来的盲区
② 供给 ANSWER — 标准答案（真相）
数据中心 business_knowledge（官方事实）+ 销售实战优秀回答。知识单元 = (问题类型 → 标准答案) 即 Q→A 对
③ 个性 STYLE — 销售表达风格（渲染层）
sales_profiles 风格 + draft_feedback。风格只在渲染时套用，不污染事实层
④ 结果 OUTCOME — 哪些答案真促成成交（终极标尺）⭐
stage_transitions / closed_won。标准答案好坏不由销售喜好定、由转化率定 → "赢单打法库"
② AI 回复管线（RAG 化）
客户问题 → ① 匹配问题类型 → ② 检索标准答案（取转化率最高版） → ③ 套销售个性渲染 → ④ 产出草稿（可解释：基于哪条标准答案）
③ 多信号自进化（不再只靠编辑）
| 信号 | 含义 | v0 状态 |
|---|
| edit 编辑 | AI 草稿被改 → 盲区 | ✅ 唯一在用 |
| reject 拒绝 | 草稿被弃、另写 → 强盲区 | 有表未用 |
| accept 采纳 | 原样发出 → 强化 Q→A | 有表未用 |
| fresh 新答 | 没用 AI、纯手答 → 现成实战 Q→A | ❌ 忽略 |
| frequency 频次 | 同问题被多客户问 → 优先建标准答案 | ❌ 无 |
| outcome 转化 | 哪个答案促成阶段推进/成交 | ❌ 无 |
④ 落地路线（分三步，不推倒重来）
R1 需求侧挖掘
客户问题落库 → AI 聚类问题图谱 → 标高频/盲区。✅ 已落地
R2 Q→A 知识单元
盲区沉淀为"(问题→标准答案)对"；标准答案注入 AI 回复。✅ 已落地
R3 结果加权
问题/答案关联客户转化率，按转化排序、推举赢单答法。✅ 已落地
⑤ 版本日志（可查阅）
v1.12026-07-03聊天记录挖矿上线（v3.2b）：夜间自动扫历史对话→提取客户问题→测知识缺口→从成交客户的真实销售回复挖候选 Q→A 进审核队列，成为第 4 个知识入口（原有：人工录入/销售投稿/销售修改提炼）；修复盲区判定（图谱采纳入库的 Q→A 纳入"已覆盖"对照）与成交率回填（P2.2 列补齐），结果加权开始用真实成交数据。模型骨架不变，2.0 预留给结果层完整闭环（引用→采纳→成交链路+知识健康度仪表盘，规划中 v3.2c）。
v1.02026-06-13确立四层模型（需求/答案/个性/结果）+ RAG 管线 + 多信号自进化；落地 R1 需求侧挖掘（问题图谱+盲区）、R2 Q→A 知识单元（标准答案库+注入回复）、R3 结果加权（问题/答案×客户转化率）。
完整规范与版本日志见仓库 docs/knowledge-engine-v1.0.md。隐私：挖掘客户问题需脱敏/最小化存储，与数据中心 S2 PII 治理对齐。