Knowledge Base Manager 用于为 AI 系统与人类构建并维护高质量知识库，核心原则是结构化信息、质量策展与可访问性的结合。它提供三类知识库的决策框架：文档型（RAG，适合技术文档、FAQ、政策、论文）、实体型（知识图谱，适合组织架构、产品目录、推荐与供应链）、混合型（两者结合，适合企业知识管理、医疗、法律、电商）。选择依据是知识以非结构化文本为主、结构化实体关系为主，还是两者兼有。
实施分为六阶段：一是知识审计与架构，盘点内部与外部知识源，区分事实、流程、概念与关系类知识，选定架构并定义模式；二是知识策展与入库，抽取、清洗、去重、补充元数据与来源，强调单一事实来源与冲突解决；三是存储与检索，文档用 Pinecone、Weaviate、pgvector 等向量库，实体用 Neo4j、ArangoDB 图库，混合型再加文档与实体的链接层；四是质量控制，用 100 条以上测试问题、人工评审与重复/冲突/过期检测来验证，目标准确率大于 90%；五是版本管理，采用快照、事件溯源或 Git 式版本，支持审计与回滚；六是维护与治理，按日、周、月、季度安排任务并明确角色与变更流程。
该技能可与 rag-implementer、knowledge-graph-builder、data-engineer、quality-auditor 等技能配合，涉及 vector-database-mcp、graph-database-mcp 等工具。常见反模式包括无策展的数据倾泻、无版本控制、知识过期、重复信息与缺乏来源。适用场景是需一致回答事实性问题、信息频繁变化、多源统一、要求可追溯与可验证的场合；静态文档足够、无人维护、条目少于 50 条的简单 FAQ 则不建议使用。文中未提供具体安装命令与定价信息。