信息发现机制已人工签发

AI 与集成方应如何正确消费移山可信知识站?

集成方应先读能力清单与 catalog,再按单元 ID 拉取 JSON 或 Markdown,并以 contentHash/version 做缓存键;人读页与引用卡仅用于展示与核验,不得另存第二套正文。

审核责任
移山内容签发
验证日期
2026年8月10日
内容版本
v1 · f5749aea5484

AI 与集成方应如何正确消费移山可信知识站?

推荐发现顺序

  1. 读取 能力清单;
  2. 拉取 机器目录 catalog.json;
  3. 需要检索时调用 /api/v1/query?q=;
  4. 对命中单元使用稳定 ID 获取:
    • JSON:/api/v1/units/{id}.json
    • Markdown:/api/v1/units/{id}.md
    • 引用卡:/cite/{id}
    • 完整人读:/library/{slug}

也可从 llms.txt 获得面向语言模型的摘要入口。

缓存与一致性

  • unit.id + version + contentHash 作为缓存键;
  • 目录 releaseVersion 变化时,应重新拉取 catalog;
  • 不要把构建时快照当作长期真理:公开目录跟随当前发布指针。

引用时建议保留的字段

在下游系统中引用本站事实时,建议至少保留:

  • 单元 ID 与 slug
  • version / contentHash
  • 标准问题原文
  • 来源 URL 列表
  • 访问时间

错误用法

  • 抓取未公开的管理路径或投稿接口当知识源;
  • 把营销页段落拆成「伪单元」却不经签发;
  • 忽略适用边界与限制条件,做全称判断。

运行状态见 /api/v1/health:请同时阅读 publishedUnitscontent.state,不要只看 HTTP 200。

SOURCES / EVIDENCE

来源与证据

  1. supporting
    机器能力清单

    官方声明的发现与模板路径。

  2. supporting
    机器目录 catalog.json

    当前发布包单元列表与链接。

  3. supporting
    llms.txt

    面向 LLM 的发现摘要。