AI Agent知识工程:从企业隐性知识到可靠上下文


企业早期应用大模型时,常见做法是把文档导入知识库,再通过 RAG 让模型检索并回答问题。这种方式可以快速改善通用大模型不了解企业内部信息的问题,但主要解决的仍然是“文档事实可访问”的问题。

进入 AI Agent 阶段后,企业需要的不只是问答,而是任务执行、流程推进、异常处理、跨系统协同和业务决策辅助。

Agent 要完成这些任务,必须理解企业特定的业务语境。例如,客服 Agent 不仅要知道政策条款,还要知道什么情况下可以破例、什么情况下必须升级、不同地区客户适用什么规则;IT 运维 Agent 不仅要知道告警说明,还要理解故障之间的因果链路和处置优先级;财务分析 Agent 不仅要读取报表,还要理解指标口径、业务归因和异常波动背后的原因。

这些能力很少完整存在于标准文档中。大量关键知识存在于资深员工的经验、业务系统中的操作痕迹、历史案例、审批记录、会议讨论、工单备注、异常复盘和组织惯例中。如果企业只围绕容易获取的显性数据建设 Agent,就会陷入能力同质化。

因此,Agent 时代的知识竞争,不是“谁拥有更多文档”,而是“谁能把企业独有知识工程化为可被 Agent 使用的上下文”,知识工程正是完成这一转化的关键。

01

知识工程的定义

沙丘智库将 AI Agent 知识工程定义为:围绕企业知识的识别、采集、抽取、建模、验证、治理、发布和持续更新,目标是把企业知识转化为 Agent 可检索、可理解、可推理、可执行、可追溯的语义资产,并进一步沉淀到企业上下文层中。

企业知识可以从两个维度理解:一个维度是知识是否被编码,另一个维度是知识所表达的逻辑类型。

从编码状态看,知识可分为三类:

· 显性知识:已经被记录和存储的信息,如制度文档、操作手册、数据库字段、报表、FAQ、合同模板;

· 隐性知识:可以传授和迁移,但尚未正式文档化的工作方法、流程经验和操作技巧;

· 默会知识:高度依赖个人经验、直觉和长期实践的专业判断,如资深风控人员的风险直觉、运维专家的故障判断、销售经理对客户推进节奏的把握。

从逻辑类型看,知识也可分为三类:

· 陈述性知识:回答“是什么”,例如产品定义、政策条款、指标口径、客户属性、设备参数;

· 流程性知识:回答“怎么做”,例如审批步骤、故障处理流程、销售跟进节奏、客服升级路径;

· 因果性知识:回答“为什么”,例如价格变动影响转化率、某类告警可能指向底层依赖故障、某类客户行为预示流失风险。

大多数 AI 项目集中在“显性&陈述性知识”上,也就是已经写在文档和数据表里的事实。这类知识容易获取,适合构建标准问答和基础检索能力,但差异化有限,也很难支撑 Agent 自主执行复杂任务。

02

知识工程的价值

在企业上下文层中,知识工程主要发挥四类作用:

第一,构…

— 以上为试看内容(约 40%),开通会员后阅读全文 —