FDE 企业 AI 落地与交付 · 企业知识治理 · 2025-12-27

从智能体中抽取“业务知识图谱”:将其在大量对话中识别出的实体、关系与规则,反向沉淀为企业的结构化知识资产

智能体在业务对话中积累的宝贵知识如何转化为企业资产?本文揭示从海量对话中反向构建知识图谱的创新方法。

核心内容:

  1. 智能体长期运行导致的"系统失忆"问题剖析
  2. 对话数据中隐藏的三类核心业务知识要素
  3. 构建可负责的知识图谱的四大工程实践原则

我现在越来越清楚地意识到一件事:Agent 真正跑起来之后,最稀缺的东西,已经不是模型能力了。而是——系统是否还能理解、接管并继承它正在“学会”的东西。

在很多项目里,智能体每天处理成百上千次真实业务对话,识别概念、判断条件、选择路径、规避风险。它在“理解业务”,但企业本身,却并没有因此变得更懂自己的业务。这不是技术瓶颈,而是系统设计的问题。

一、Agent跑得越久,系统反而越“失忆”

这是一个工程里非常普遍的现象。一开始,Agent 上线时:

系统还能解释每一次行为。但三个月之后,你会慢慢发现:

可一旦出问题:

于是系统进入一种很危险的状态:Agent 在积累经验,但系统在不断遗忘。遗忘规则从哪里来,遗忘哪些判断是高频的,遗忘哪些逻辑已经在事实中被反复验证。

二、我们其实在“白白消耗”大量业务认知

站在工程角度看,Agent 在对话中做的事情并不神秘。它无非是在反复完成几类动作:

这些,本质上都是业务知识。区别只在于:以前是人脑在跑,现在是模型在跑。但现在的问题是:这些知识,只被“用掉了”,却没有被“留下来”。每一次对话,其实都在为企业付出真实成本:用户时间、业务风险、决策责任。但最后沉淀下来的,往往只有一堆不可复用的对话日志。从系统角度看,这是极其浪费的。

三、反过来看待“知识图谱”

传统的业务知识图谱建设,大多是自上而下的:

这种方式不是错,但在真实业务里,它有两个天然问题:

  1. 永远慢于业务变化
  2. 很难覆盖真实边界情况

而Agent的出现,实际上改变了一件非常关键的事情:业务知识,已经在“使用侧”被大规模验证过了。不是…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/knowledgegraph/2025122789234.html