知识库问答 @文档：从 DOM 方案到 ProseMirror 落地¶

Ch01.791 知识库问答 @文档：从 DOM 方案到 ProseMirror 落地¶

📊 Level ⭐⭐ | 3.4KB | entities/prosemirror-knowledge-base-mention-vivo.md

知识库问答 @文档：从 DOM 方案到 ProseMirror 落地¶

→ 原文存档

深度分析¶

知识库问答 @文档：从 DOM 方案到 ProseMirror 落地 涉及agent领域的核心技术议题。

核心观点¶

1. 知识库问答 @文档：从 DOM 方案到 ProseMirror 落地¶

   作者：vivo 互联网项目团队 · Ding Junjie 原文：https://mp.

2. com/s/7db3l9s9MfMonr0BYwyouQ

   背景：知识库问答输入框的 @文档 mention 能力 —— 表面是"输入 @ 后选一个文档"，实则是编辑器稳定性的工程问题

一句话定位¶

从 DOM 方案转向 ProseMirror 是因为"文本 + 原子节点"混排后，复杂度会从"能不能插进去"转移到"能不能一直稳定"——光标恢复、IME、innerHTML 污染 undo 栈、临时交互态混入文档，每一项都让裸 contenteditable 不可维护。 3. ## 为什么不用 DOM 方案 1. 4. contenteditable 容器监听输入 2. 5. 识别光标前的 @query 3.

内容结构¶

• 知识库问答 @文档：从 DOM 方案到 ProseMirror 落地
• 一句话定位
• 为什么不用 DOM 方案
• ProseMirror 架构（与 @文档 落地）
• docrefNode 关键设计
• 交互链路：触发 → 显示 → 确认
• 1. 触发（监听）
• 1. 显示（弹窗 + Decoration）

技术要点¶

• agent架构: 本文在agent方向提出的设计理念与实现路径
• 工程挑战: 实际落地中面临的关键问题与应对策略
• architecture趋势: 相关技术演进方向与新兴范式

关联实体¶

• 存之有序治之有矩Agent 记忆系统的工程实践与演进
• Scale Robot Reinforcement Learning With Nvidia Isaac Lab On
• Nvidia Isaac Lab Sagemaker Robot Rl Humanoid
• Qy_Zacztcs1Ql3Bifmbmgg
• 天猫新品营销技术团队Ai编码实战指南上 V2
• Openclaw 完全指南这可能是全网最新最全的系统化教程了32W字建议收藏 V2

实践启示¶

1. 工程落地: agent领域方案需关注可观测性、可维护性和成本效率
2. 技术选型: 根据场景选择合适的技术栈，避免过度设计或盲目追新
3. 持续迭代: 建立数据驱动的反馈闭环，持续优化系统表现
4. 风险管控: 引入新技术需评估对现有系统稳定性的影响，做好降级预案