迁移不是复制文件,是把旧数据、旧链接和旧权限重新对上。 以AI应用/知识库为例,先回答文档解析的数据从哪来、切分由谁触发、权限留下什么记录。
把大模型、知识库、检索和业务表单组合起来的应用源码。适合有明确业务问答和内容沉淀的场景;不适合没有数据权限和评测方案就上线的项目。
形态与技术栈:Python/Node、向量库、LLM API、对象存储。主要模块:文档解析、切分、向量化、检索、回答、引用、权限。
先盘点旧系统:栏目/模块、用户、订单/权益、附件、权限和外部链接。AI应用/知识库 不是所有字段都能直接对应,先列映射表。
链接映射优先保留旧 URL 或做 301;附件要核对路径、文件名和权限;用户和订单要按唯一键去重。
先在一个独立目录/测试库试跑,跑完核心流程再切流;切流前做全量备份和回滚包。
切流后复测首页、详情、登录、支付/下载和移动端;旧链接至少观察一个周期。
先走通主流程
把主线按 文档解析 → 切分 → 向量化 走一遍。第一站看数据从哪来,第二站看谁有权改,第三站看结果写到哪;最后在 权限 留一条能查的记录。节点之间对不上,先停下来补接口,不要继续加功能。
这条主线里,最容易被跳过的是 切分 的权限和 向量化 的结果校验;跳过这两步,后面只能靠人工补。
出错前先看这些
- 切分不当
- 答非所问
- 引用缺失
- 数据越权
真实场景怎么跑
假设你已经在测试环境跑通了 AI应用/知识库,现在要决定是否上线。先不要全量。第一步,在 文档解析 里用一条真实数据走完整流程,记录输入、输出和耗时;第二步,在 切分 里改一个错误输入、断开一个依赖或收回一项权限,看错误提示和日志能不能对上;第三步,在 向量化 里核对结果,确认没有重复写入、没有越权、没有残留临时文件。
这个场景的重点不是功能多,而是 回答命中率、引用准确、首字延迟、越权拦截 这几项有没有可复现的记录。只靠“看起来正常”判断,上线后一出问题就说不清是数据、权限还是代码。
复跑时重点看 回答命中率、引用准确、首字延迟、越权拦截:只要有一项只能靠截图证明,就先补日志和检查项,不要直接全量。AI应用/知识库 的问题通常不在功能少,而在入口、权限和数据三处没有留下可复核的记录。
最后留一个检查:把这次 文档解析 到 权限 的流程写成十行以内的操作记录,交给没有参与的人按记录复跑一次。对方如果能在不追问你的情况下走通,说明入口、权限和文档都够清楚;如果走不通,先补记录,不要急着加功能。
交付记录清单
- 版本/提交:记录实际部署的版本号或压缩包名。
- 测试入口:文档解析、切分、向量化 各一条 URL/命令。
- 核心流程:从入口到结果,写清每一步的输入、输出和状态码。
- 指标:回答命中率、引用准确、首字延迟、越权拦截 各记一个基线值。
- 异常:失败时的提示、日志位置、影响范围和恢复时间。
- 回滚:备份路径、恢复命令、验证人。
交付前确认
- 这次是试用、灰度还是正式全量?
- 上线后谁负责日常维护和故障响应?
- 授权/许可证是否覆盖当前用法和二次分发?
- 核心数据能否导出,换系统时能不能带走?
- 出现严重故障时,多长时间能恢复到可用状态?
交接表按 文档解析、切分、权限 三块列:改什么、为什么改、怎么退。每项要能指到真实路径或字段;AI应用/知识库 后面升级、迁移和换人,都靠这张表减少来回确认。
上线前安全核对
数据分级、提示词注入、输出审核、调用日志。上线前把这几项写成检查项,不要等出事再补。
上线清单
- 功能:文档解析、切分和向量化各走一次,不只点首页。
- 授权:许可证、使用范围、二次分发和去版权限制写清楚,商用与自用分开。
- 数据:核心数据有导出,最近记录能按 ID、时间和状态对上。
- 权限:管理入口、上传目录和配置文件分开;生产用最小权限。
- 性能:回答命中率、引用准确、首字延迟、越权拦截有基线,峰值不抖。
- 安全:数据分级、提示词注入、输出审核、调用日志逐项核过。
- 备份:文件、数据库/配置和密钥各一份,至少一次恢复演练。
- 兼容:目标浏览器、设备或系统版本各测一次。
- 日志:入口、应用和数据日志按同一时间对齐。
- 记录:版本、路径、验证时间、回滚方式写进交付记录。
范围与限制
AI 应用不要先追求“能聊”。先定知识边界、引用来源和越权拦截;没有评测集,回答听起来顺但不一定对。
AI应用/知识库 的这次迁移,先解决入口、权限和数据里的一个具体问题,不要顺手改支付、会员和服务器底层。范围越小,回滚越快;范围写清楚,后面才好判断值不值得继续投入。
参考
参考:https://opensource.org/licenses;https://owasp.org/www-project-top-ten/。

