一句话总结
Cerebras 公开其内部知识库的完整架构——日处理 15,000+ 查询，覆盖芯片设计到云平台的全员使用，核心设计哲学是”不去迁移数据，去连接数据源”。
核心观点
1. “Single source of truth”是妄想，连接优于迁移
每季度都有人提议”把所有信息搬到同一个平台”，但实际信息产生在各自最顺手的地方——Slack 的讨论、Google Docs 的建议编辑、GitHub 的代码引用、Jira 的状态。Cerebras 的选择是不改变用户行为，而是在数据侧直接接入每个平台。
2. 一张 embeddings 表打天下
架构极其简洁：所有数据源 → LLM 蒸馏 → pgvector (3072-dim HNSW) → 同一张表。无论来自 Slack、Wiki、代码仓库还是硬件网表，最终都是同一 schema、同一查询接口。多源接入，单一数据面。
3. 五层流水线
Sources → Distillation (LLM 提取摘要) → Embeddings → Retrieval (6 路并行检索) → Fusion + Rerank (RRF k=60 → LLM 重排) → Synthesis (带引用的答案)。每层解耦，换模型不换架构。
4. Slack 是最难也是最关键的数据源
Slack 的工程讨论最及时也最非结构化。方案是 Socket Mode 实时监听 → 路由分流 → LLM 蒸馏成结构化摘要 → 向量化 → upsert 入库。只追踪指定频道和 @mention/DM，避免噪音。线程用 burst vector 方式处理，而非逐条消息。
5. 同一接口服务三类用户：人、自动化、Agent
查询接口通过 MCP + Web UI + Agent SDK 三层暴露，人类通过 Web 搜索、自动化脚本通过 API、Agent 通过 MCP 调用同一张 embeddings 表。设计上不区分消费者类型。
关键引用
“Finding information inside an organization is hard. The data is scattered across tools, and every quarter or so someone proposes the same brilliant fix: let’s record everything in one platform… The dream of a single source of truth, of course, rarely works in practice.”
“Every source, from Slack threads to netlists, lands in the same embeddings table, and anything in that table is immediately queryable through the same interface.”
来源
Agent 短评
这篇文章对你的知识库项目有直接参考价值，但要注意 Cerebras 的 KB 和你的 KB 解决的是不同层次的问题：Cerebras 做的是企业内搜——连接碎片化数据源、向量化、RAG 检索；你做的是人工策展——精选高质量内容、结构化笔记、发布为公开站点。前者追求覆盖面（多源自动摄入），后者追求深度（人工筛选+写作）。两者的交集在”连接”层：你的 KB 现在全靠手动添加，是否可以借鉴 Cerebras 的多源 connector 思路，让部分内容（如 RSS、Slack 讨论摘要）自动入库作为候选，再人工精选？