本文围绕“企业级 RAG 知识库如何构建”这一核心问题，深入探讨了如何以 GitLab Issue 作为主要知识来源，打造真正贴近研发实践的 AI 知识体系。文章从 Issue 的独特价值出发，系统讲解了 Issue 数据采集、清洗筛选、语义结构化、向量化索引以及持续更新的完整流程，并结合真实研发场景，分析了如何将分散的历史问题转化为可被 AI 高效检索和复用的知识资产，为企业落地 RAG 提供了一套可执行、可扩展的实践方案。
本文通过一个真实的企业级实战案例，介绍了如何基于 VS Code 插件 + MCP 服务 + RAG 知识库，构建一个以“聊天优先”为核心的 AI 研发助手。开发者可以在 VS Code 中通过对话向 AI 提问，AI 基于企业内部知识库进行解答；当问题无法解决时，再由 AI 自动整理完整对话上下文生成高质量 Issue 草稿，并由人工确认后提交至企业私有 GitLab。该方案有效提升了 Issue 质量，减少无效问题沉淀，同时兼顾了企业安全与研发流程可控性，为 AI 在企业研发场景中的落地提供了一种可持续的实践思…