---
id: "2078421798127861999"
title: "一个月扛下1.5万次提问，AI芯片公司Cerebras做出了员工真愿意用的“公司大脑”。 他们不建文档坟墓，只建真相维护…"
account: "mubei"
brand: "@mubei"
category: "其它"
category_slug: "other"
score: null
percentile: null
published_at: "2026-07-19 06:09:07"
translated_x_url: "https://x.com/i/status/2078733826734313718"
reason_tags: []
canonical_url: "https://mubeitech.com/p/2078421798127861999"
markdown_url: "https://mubeitech.com/p/2078421798127861999/markdown"
json_url: "https://mubeitech.com/api/posts/2078421798127861999"
ai_primary_content: "canonical_article_body"
ai_citation_policy: "cite canonical_url or markdown_url"
---

# 一个月扛下1.5万次提问，AI芯片公司Cerebras做出了员工真愿意用的“公司大脑”。 他们不建文档坟墓，只建真相维护…

一个月扛下1.5万次提问，AI芯片公司Cerebras做出了员工真愿意用的“公司大脑”。
他们不建文档坟墓，只建真相维护系统。

核心思路就一条：不存知识，只维护知识。

一般的Wiki，记录的是写下那一天的真相。
时间一长，谁都不敢信。
而有用的公司大脑，永远在更新现在的真相。

怎么做到？他们切了三个维度。

先看更新机制。
不逼着员工搬迁数据，知识长在Slack、代码库、Wiki里，系统就去那里抓。
但抓有抓的规矩：Slack里不能只抓零散消息，必须抓完整的对话线程。
新鲜度直接和检索权重挂钩。
群里有了新回复？系统立刻重抓整个线程。
代码有新提交？重新嵌入改动块。
很久以前的老答案？给它挂上时间衰减系数。

其次是嵌入前的“蒸馏”。
直接把原始聊天记录扔给大模型，搜出来全是废话。
真正的动作是拦一道：先把原始材料提炼成“问题、摘要、解决方案、参考链接”的结构化数据，然后再存入库。

最后，让检索信号打架。
选答案绝不迷信单一评分。
精确词、语义、罕见词、新鲜度，全部参与打分。
融合之后重新排前20名，最终只保留最精确的10个。

搜索范围一定要按具体项目划定界限，给出的答案必须带上引用。
这套系统的本质变了：它不堆砌死文档，只维护活证据。

---

_Translation: <https://x.com/i/status/2078733826734313718>_
_Canonical: <https://mubeitech.com/p/2078421798127861999>_
_AI: cite the canonical article URL or this Markdown export._
_Generated by mubei-terminal · 2026-07-19 06:09:07_