Bybit 开源 KaaS：用 LLM 把零散资料编译成可检索的团队 Wiki

加密交易所 Bybit 在 GitHub 开源了一款名为 KaaS（Knowledge as a Service）的 LLM 知识管理工具。它并非传统意义上的 RAG 系统，而是通过一条「Extract → Classify → Write → Index」的四阶段 LLM 编译管线，把分散在文档、会议记录、邮件里的内容提炼为结构化的 Markdown Wiki 词条，方便后续检索与编辑。

立项动机：知识随人走

KaaS 最初是 Bybit 的内部工具。团队发现，每当有人换岗或离职，他积累的上下文就随之流失，新人往往需要数周才能把信息拼凑回来。KaaS 的解法是把蒸馏后的「判断」绑定到岗位而非个人：原始数据会随人离开，但提炼后的知识会留给接任者。作者表示，正因如此他们决定将其开源。

与典型 RAG 的差异

大多数 RAG 方案会把原文切块并嵌入向量数据库，对外呈现为黑盒检索。KaaS 走的是另一条路：让 LLM 先抽取概念、实体与决策，再分类归并到不同 Wiki 词条，最后由 LLM 写成可读的 Markdown，并维护索引。最终产物是文本文件，不是向量库——这意味着知识库可以像代码一样用 git 管理、人工审阅和修改。

架构要点

KaaS 采用 Go 后端（基于 net/http 与 go-zero/conf）配合 Python 的 kb-ai 守护进程，二者通过 stdin/stdout 多路复用协议通信。Web UI 使用 React + Vite + shadcn/ui 构建，存储默认使用 SQLite，也支持 MySQL。检索环节没有使用 embedding，而是采用「master-index → LLM 页面选择 → 全文上下文」的迭代式 LLM 检索。

MCP 接入

KaaS 默认对外暴露一个 ask(query, paths?, model?) 工具，遵循 Model Context Protocol，可被 Claude Code、Codex、openclaw 等智能体直接调用，回复附带 Wiki 来源引用。本地走 stdio 传输，远程则通过 HTTP 在 :8080/mcp 暴露，支持 Bearer Token 鉴权（默认关闭，假设内网环境）。

部署与配置

KaaS 调用任意 OpenAI 兼容 API（OpenAI、DeepSeek、Ollama、vLLM、Azure OpenAI 等），默认指向 gpt-4o-mini。提供 Docker 与 CLI 两种安装方式，支持 Linux/macOS 的 amd64 与 arm64。配置项集中在 etc/kaas.toml 中，也可通过环境变量覆盖。

作为一款面向团队知识沉淀的工具，KaaS 的核心卖点在于「编译而非检索」：用 LLM 把原始素材重写成结构化文档，再用 git 化的 Markdown 长期维护。对于正在搭建内部知识库、且希望与 Claude Code 等编码智能体协作的团队，这是一个值得关注的轻量级选项。