大家好～最近在给公司低代码平台做 AI Coding 能力落地，核心卡在企业知识库的建设与治理环节，想和各位交流经验：
背景：
我们有大量低代码相关的历史代码（组件模板、DSL 脚本）、非结构化文档（产品规范、开发手册、故障排查文档），希望把这些沉淀成知识库，供大模型在 AI Coding 时调用，但遇到几个核心问题：
-
切片与向量化：历史代码该按什么粒度切片（函数 / 组件 / 文件？）、非结构化文档怎么切分更适配 AI Coding 场景？向量化用什么模型 / 维度更合适（比如 Qwen/text-embedding-3-small）？
-
知识库治理：如何给代码 / 文档打标签、做版本管理？规则迭代时（比如低代码规范更新），怎么快速同步知识库，避免大模型调用旧规则？
-
落地适配：在 TRA E IDE 的 AI Coding 能力中，如何把治理后的知识库和大模型联动，既保证调用精准性，又不额外增加 token 消耗？
想请教各位：
有没有在低代码场景落地过企业知识库治理的实战案例？
代码 / 文档切片、向量化时踩过哪些坑（比如粒度太细 / 太粗导致召回率低）？
知识库和 TRAE AI Coding 结合时，有没有轻量化的联动方案？
期待大家的经验分享～