AI 知识百科系统（AI Wiki）设计与实现方案

利用 AI 产生的高质量、高价值 Q&A 内容构建知识百科（Wiki），不仅能让零散的对话资产化，还能通过 SEO 和站内搜索实现持续的流量引入。基于您现有的 cms_article 数据库结构，以下为您设计的一套完整的百科主页与**内容展示页（含搜索）**方案。

一、系统架构与数据逻辑

基于您的表结构设计，核心字段的利用逻辑如下：

内容筛选： 优先展示 status = 1（已发布）且 score >= 60（高价值）的内容。
排序权重： 首页推荐算法结合 score（专家/AI评分）和 click_count（点击率）、like_count（点赞数）。
内容聚合： 提取 question 作为百科词条的“用户痛点提问”，title 作为百科的标准词条名。

二、页面 UI/UX 视觉与功能设计

1. 百科主页 (Homepage) 设计

主页的核心目标是：引导搜索、展示高频高质分类、呈现最新及最热知识。

头部 (Header)：
- 左侧：Logo（如“AI Wiki”或“智库百科”）。
- 右侧：简易导航（首页、分类、关于、贡献）。
黄金视觉区 (Hero Section)：
- 大搜索框： 居中放置，带有 AI 感的渐变边框。输入框占位符提示：“搜索你想了解的 AI 知识或技术方案...”。
- 热门搜索标签 (Hot Tags)： 搜索框下方平铺 5-8 个高频 Tag（如：SQLite, Docker, Prompt 优化）。
主体内容区 (Grid Layout)：
- 左侧栏 - 热门排行 (Hot List)： 按 click_count 和 score 综合加权排序，展示前 10 个词条，显示标题和点击量。
- 右侧主栏 - 推荐探索 (Featured Cards)： 采用卡片流（Card Grid）展示，每张卡片包含：
  - title（词条名）
  - description（摘要，限制 80 字，超长省略）
  - tags（标签，用于快速筛选）
  - 底部元数据：点赞数 like_count、阅读量 click_count、价值评分 score。

2. 内容展示页与搜索结果页 (Detail & Search Page) 设计

该页面采用两栏式/三栏式布局，保证深度阅读时的沉浸感，同时支持随时发起二次检索。

左侧栏 (Sidebar) - 知识目录：
- 自动提取当前 content（Markdown 格式）中的 H2/H3 标题生成文档大纲（TOC），支持点击平滑滚动。
中间主内容区 (Main Content)：
- 面包屑导航： 首页 > 分类 > 词条正文
- 头部元数据：
  - title (超大标题，H1)
  - 作者/来源（source = 'ai_generated' 或 'manual'）
  - 创建时间、阅读数、点赞按钮（点击可异步触发 +1）。
- 原声问题区 (Question Box)： 用气泡框美化包裹 question 字段，还原当初真实的提问场景。
- AI 深度解答 (Answer)： 渲染 content（支持 Markdown、代码高亮、公式解析）。
右侧栏 (Rightbar) - 关联推荐与检索：
- 常驻快速搜索框： 支持在阅读时随时搜索其他内容。
- 相关百科 (Related Articles)： 根据当前文章的 tags，推荐 5 篇相似词条。

三、后端技术实现与 SQLite 查询优化

为了在 SQLite 中实现高效的百科检索与数据呈现，可以使用以下 SQL 方案。

1. 首页：高价值、高人气内容推荐查询

采用多维度加权排序（例如：score * 10 + click_count * 0.5 + like_count * 2）：

SELECT id, title, description, score, click_count, like_count, created_at 
FROM cms_article 
WHERE status = 1 
ORDER BY (score * 10 + click_count * 0.5 + like_count * 2) DESC 
LIMIT 12;

2. 搜索页：高效模糊搜索（支持 FTS5 全文索引）

如果您的文章数量较多（万级以上），使用 LIKE '%keyword%' 会导致全表扫描，速度极慢。建议开启 SQLite 的 FTS5 全文检索扩展。

步骤 A：创建虚拟全文检索表

CREATE VIRTUAL TABLE cms_article_fts USING fts5(
    id UNINDEXED,
    title,
    question,
    content,
    tokenize='unicode61'
);

(注：如果是中文检索，建议使用带有中文字词切割的分词器，如第三方 sqlite 中文分词插件，或者在应用层分词后存入。)

步骤 B：同步数据并进行检索

-- 检索 title 或 question 中包含关键字的内容
SELECT a.id, a.title, a.description, a.score 
FROM cms_article a
JOIN cms_article_fts f ON a.id = f.id
WHERE cms_article_fts MATCH 'keyword'
ORDER BY rank 
LIMIT 20;

如果使用常规 LIKE 查询，可使用如下优化：

SELECT id, title, description, score, click_count 
FROM cms_article 
WHERE status = 1 
  AND (title LIKE '%' || :keyword || '%' OR question LIKE '%' || :keyword || '%')
ORDER BY score DESC 
LIMIT 20;

3. 相关内容推荐（基于 Tag 相似度）

假设您有一张 article_tag 关联表。若没有，可以用 tag 的模糊匹配，或在应用层计算。标准的标签关联查询：

SELECT id, title 
FROM cms_article 
WHERE status = 1 
  AND id != :current_id
  AND id IN (
      -- 查询拥有相同 tag 的文章
      SELECT article_id FROM article_tags WHERE tag_id IN (
          SELECT tag_id FROM article_tags WHERE article_id = :current_id
      )
  )
ORDER BY score DESC 
LIMIT 5;

四、商业化与小工具接入建议

AI 摘要一键生成： 利用大模型自动为存量 content 生成不超过 100 字的 description，自动更新回表里，提升 SEO 抓取率。
点击埋点： 前端每次进入详情页，通过防抖（Debounce）发送请求，将 click_count 加 1，让真实的用户行为沉淀为排序数据。

AI知识百科系统设计方案