文章来源:phData blog《How to Create a Company "Brain" with Glean》(Marcus Montenegro,2025-10-27)一、前言:一个刺眼的 5% 企业 AI 搞了这么多年,结果怎么样?phData 在他们的数据与 AI 咨询实践中得出一个数字:只有 5% 的企业 AI 试点能真正产生可衡量的业务影响。 剩下的 95%,要么停在 Demo 里,要么用一阵子就被束之高阁。这倒不是说模型不够强。GPT-4o、Claude Sonnet、Gemini 一个比一个能打,但企业落地时常常卡住。问题不是"AI 能不能答",而是"AI 知不知道公司在想什么"。财报在 Excel 里,客户记录塞在 Salesforce 中,项目沟通散落在 Slack 和飞书,决策依据留在老员工的脑子里。每个部门还各自买了 AI 工具。结果是:AI 越多,知识越碎;模型越聪明,公司越像一群聋子在那各自喊话。Glean 给出的方案,不是再堆一个聊天机器人。它要建一个公司大脑(Company Brain):把全公司数据、文档、对话、权限、人,织成一张统一的知识图谱,让 AI 真正理解这个组织。二、背景:我们是怎么走进"AI 孤岛"的 phData 把企业的 AI 困境归结为一句话:知识孤岛养出了 AI 孤岛。每个业务线都有自己的主战场。销售离不开 CRM,工程扎根在代码仓库和工单系统,市场围着内容管理系统和广告平台转,财务和 HR 各自守着 ERP。这些工具本身没问题,问题是它们互相不"认识"。更麻烦的是,生成式 AI 爆发后,每个工具厂商都赶紧加了一个 AI 助手。Salesforce 有 Einstein,ServiceNow 有 AI 助手,GitHub 有 Copilot,Notion 也有 AI。每个助手都只能在自家数据里打转。你问"客户最近提了哪些需求?",销售 AI 只能看 CRM 里的记录,客服 AI 只能看到工单,产品 AI 只知道需求文档。同一个客户,在公司内部被切成了三四个碎片。这就是"AI 孤岛":每个 AI 都局部聪明,但整体上谁也不比谁更了解公司。phData 认为,这种局面会导致三个具体损失:沟通失真。部门 A 和部门 B 看的是不同版本的信息,开会时各说各话。一份客户反馈,销售记成"价格敏感",客服记成"功能缺失",产品只看到"优先级不高"。信息没有经过统一上下文,讨论就会失焦。找东西的时间被浪费。员工为了回答一个问题,得打开三四个系统、翻十几个文档、问五六个人。phData 的调查显示,很多人一天里有相当一部分时间花在"找信息"上,而不是"用信息做决策"。专家经验被埋没。某个技术难题,解决方案可能早就写在两年前的 Slack 线程里,但没人知道去哪找。久而久之,有经验的人离职,新员工重复踩坑,组织智商不升反降。唯一的出路,不是换更多工具,而是建一个统一的工作 AI 平台。它给所有人一个入口,让搜索、创作、找专家、触发工作流都在同一个地方完成。
背景段(原图来源 phData blog)三、方法:Glean 的"公司大脑"长什么样 Glean 是一家企业级 AI 平台。它的核心思路是:把企业里所有分散的数据,变成一张可被理解、可被引用、可被行动的知识图谱。具体怎么做?分三步。第一步:用连接器把数据接进来Glean 通过原生连接器和自定义连接器,把企业里的文档库、即时消息、工单系统、CRM、代码仓库、数据库索引到一个统一的地方。phData 在文中举了自己的例子:他们的数据散落在 Snowflake、Google Docs、ServiceNow、Slack、Salesforce,甚至"人的脑子里"。Glean 的任务就是把这些数据源都接进来。这里的连接器不是简单的搬运工。它会保留每个源系统的元数据:谁创建的、什么时候改的、属于哪个项目、关联哪些人。这些信息在后面构建知识图谱时至关重要。第二步:复刻权限,做权限感知索引这一步非常关键。Glean 不会把全公司数据"一锅炖"后让所有人都能搜。它复刻源系统的权限规则:用户只能看到自己在原系统里本来就能看的内容。查询时,这些访问规则会被实时执行。这个设计给企业吃下了一颗定心丸。没有它,AI 搜索就变成了一场数据泄露事故。试想一下,如果普通员工能搜到高管邮件、薪酬数据、未发布的财报,再好的 AI 也没有意义。权限感知索引是 Glean 区别于普通 RAG 工具的核心安全机制。第三步:用知识图谱而不是倒排索引理解信息Glean 的底层不是传统搜索引擎的关键词索引,而是知识图谱。它的基本结构是三元组:主体(subject)— 谓词(predicate)— 客体(object)。用人话说,它会把"张伟负责 Snowflake 项目"表达成 张伟 —[负责]→ Snowflake 项目。同样,"Snowflake 项目使用 phData 工具包"会表达成 Snowflake 项目 —[使用]→ phData 工具包。这种结构让 Glean 能做多步推理。你问"phData 工具包被哪些项目用过?",系统能沿着图谱从 phData 工具包 反向找到 Snowflake 项目,再找到负责人 张伟。这种查询,传统关键词搜索很难做到,因为它不是靠关键词匹配,而是沿着"关系"一步步推理。向量检索能找出语义相似的文档,但无法回答"这个工具被哪些项目用过、由谁负责"这种多跳问题。phData 特别指出,这种结构还能解决大语言模型的几个老毛病:实体歧义、实体混淆、精确事实召回困难。后面会详细讲。两个图谱,一个大脑Glean 把知识分成两层:企业知识图谱(Enterprise Knowledge Graph):动态更新,理解公司的人、项目、流程和数据。它是组织的"公共记忆"。个人图谱(Personal Graphs):基于每个人的工作习惯、协作对象、沟通风格,提供个性化的主动支持。比如 Assistant 能学习你的写作风格,自动起草邮件、安排会议,而且不需要你写复杂提示词。只有这两层合在一起,AI 才既知道"公司发生了什么",也知道"你此刻需要知道什么"。举个例子:你下周一要做一个项目汇报,Glean 的企业图谱知道这个项目涉及哪些文档、哪些人和哪些历史决策;个人图谱知道你喜欢用什么格式、通常关注哪些指标、平时和谁…