咨询 | 人工智能时代咨询公司怎么做知识管理Knowledge Management;以及如何通过上下文和KM,做好自己的Agent
知识管理这件事,过去更多是“文库”和“经验萃取”的话术,如今在顶级咨询公司那里,已经被翻译成一个更尖锐的问题:当我们开始认真做 Agent 时,怎么把几十年的行业 know‑how、项目资产和人才梯队,变成一个可被智能体持续调用和进化的“活系统”?
最近被问到很多咨询公司有关于开发Agent,以及如何对知识进行有效管理的问题。这里给出我们结合我们思考的几个建议。
一、从“知识库”到“上下文系统”
如果用这篇 Agent 设计文章里的话来说,LLM 的上下文窗口,本质上是一个昂贵又极其有限的“注意力预算”。 咨询公司的痛点刚好卡在这儿:你真正想喂给模型的,是几十年项目、无数交付物、访谈纪要、专家判断;但模型一次能认真“看”的,其实只有很薄的一层。
这意味着,传统 KM 的几个默认前提正在失效:
“多”不再是美德,信息堆得越多,越不可能直接进上下文。 “静态分类”价值有限,你再精细的知识树,也不等于模型可以自然使用。 “文档即知识”的假设需要被打破,知识要被重新拆成可以在上下文里编排的行动单元。
换句话说,所谓“给咨询公司做 Agent”,其实不是给 ChatGPT 多接几个 API,而是要重新设计:什么应该常驻上下文,什么写进文件系统,什么变成可调用的“技能”,什么干脆交给人来决策。
二、给咨询公司的 Agent 一台“项目电脑”
优秀的 Agent,往往都有一台属于自己的“计算机”:带文件系统、带 shell,可以读写长期状态,而不只是一条长对话。
放在咨询场景里,这个计算机抽象非常自然:
文件系统:对应你的项目资产
历史 proposal、交付 PPT、model、访谈纪要、研究报告。可以按“项目 / 客户 / 行业 / 议题”组织成结构化目录,而不是一锅粥塞进向量库。
CLI:对应你的方法工具箱
比如:市场容量测算脚本、估值模型、客户调研问卷模板、访谈大纲生成器。
Agent 不必记住“如何做 DCF”,而是学会调用 run_dcf_model,再围绕结果做推理。
这和很多人做“咨询 Agent”时的直觉完全相反:大家第一反应是“我要把所有 PPT 喂给模型”;但现实更像是:你要先给它一个整洁的项目工作空间,然后再让它在这个空间里“像 consultant 一样工作”。
对 Junior 的意义也很直接;他不再是从一个巨大知识库里“找文档”,而是可以看到一个 Agent 怎样在这个“项目电脑”上,从零搭建一个交付:新建文件夹、复制模板、写计划、拉数据、更新假设、产出初稿。这个过程,比任何 onboarding 手册都更具教学价值。
三、重新理解“过往项目经验”的沉淀方式
放在咨询公司里,它们分别对应两…