What AI doesn’t Know Yet——企业知识管理与智能体落地的关系

我们有很大概率正处在新一轮工业革命的早期阶段（稍微保守一点），从生成式AI到代理式AI，智能体已经成为LLM（大语言模型）应用的主要形态。在企业端，智能体落地存在诸多的障碍，其中之一来自于“Context”（上下文）的缺失，美团的王兴在一次内部会议上有过很形象的比喻：

“就算爱因斯坦当秘书，让他订一个餐厅，他依然不知道那个餐厅有没有座位。这不是智力问题，而是信息问题（上下文缺失问题）。”

爱因斯坦的智力水平毋庸置疑，就像当前最先进的LLM具备强大的推理、理解能力，但如果没有足够的、精准的、实时的上下文信息支撑，它依然无法完成看似简单的企业日常任务。

于是，企业知识管理与新兴的人工智能技术有了甜蜜的交叉，这也是本文的出发点，一起聊聊企业知识管理与智能体落地的关系。

一、严格来说，我们真正需要的并非知识管理

把智能体当做知识管理的客户来看，传统的知识管理并不能完全满足智能体的需求。

从ChatGPT发布开始，一方面基础大模型的推理能力突飞猛进（GPT3.5 1750亿参数到Claude Opus 4.7约2.5-3万亿参数），另一方面在LLM之上构建智能体应用的工程方法与实践也在快速迭代。大家经常提起的Prompt工程、上下文工程、Harness工程，都是人类在驾驭LLM这匹野马的过程中，不断总结和发展的方法。

回到软件编程的基本范式IPO( Input输入-Process处理-Output输出）来理解智能体，LLM的泛化推理能力为Process处理环节提供了强大的大脑，但因为LLM本身的不确定性，所以需要我们更加严格地约束模型的输入（=Context），并通过持续评测结果（Evaluation）来实现闭环改善。

企业知识管理在这个范式中的主要使命，是为智能体提供企业私域完整、准确、及时的知识输入，这些都是在LLM预训练阶段或者通过公开数据无法获得的——What AI doesn’t Know(Yet)

那么，企业智能体落地都需要哪些Context上下文作为输入呢？

我们以一个简单的场景为例，某员工希望了解自己的季度任务达成情况，在智能体时代之前，TA可以选择咨询相应的运营或者管理人员获取，也可以通过企业自建的报表或者业绩管理系统点击查询，但在智能体时代，这个过程可能简化为与智能体的一个自然语言交互——“帮我看看这个季度的任务达成情况”

智能体在收到用户的Query后，要理解分析用户意图、规划任务执行、调用工具等等来实现，在这个例子中，智能体所需要的上下文至少包括：

• User Prompt（用户输入指令）：

  即用户说的“帮我看看这个季度的任务达成情况”，但这句话可能存在歧义（比如“季度”是自然季度还是企业财季？“任务”是核心KPI还是全部任务？），因此智能体需要先对其进行意图解析，基于预设的意图理解规则进行重新改写，确保准确把握用户需求

• System Prompt（系统预设指令）:

  这是工程团队在开发智能体阶段，对智能体做出的角色设定、处理方法和输出风格等约束，比如“作为企业员工专属智能助手，需简洁明了地反馈业绩数据，重点标注未达成目标的项目，不泄露其他员工的业绩信息”，这些约束会贯穿智能体处理任务的全过程

• 短期记忆(会话上下文）：

  在这一个Query之前，用户与智能体产生的交互信息，比如用户上一句问了“上季度的达成率是多少”，智能体需要记住这个上下文，避免用户重复说明，同时让反馈更具连贯性（比如在回答本季度情况时，可对比上季度数据）

• 中长期记忆（用户身份信息等）：

  用户的身份信息，比如该员工是销售岗还是职能岗？其岗位对应的任务指标是什么？；

• Tools/Skills描述（工具调用指南）：

  这部分内容可能包含在System Prompt中，也可能通过动态加载等方式单独存储，核心是让智能体知道“可以调用哪些工具”“如何调用工具”“调用工具后如何分析数据”，比如智能体需要知道，业绩数据存储在企业的BI报表系统中，需要调用该系统的接口，筛选“用户ID+季度”两个维度，才能获取目标、达成、缺口等核心数据

• 系统数据（包括知识切片&查询返回数据）：

  如企业关于员工任务管理的相关规定切片（季度任务的计算标准、达成率的统计口径、未达成的处罚规则等），以及智能体调用工具后获取的实时数据，比如该员工本季度的核心KPI目标是100万，实际达成85万，达成率85%，其中某一项子任务未达成等，这些实时数据是最终输出反馈的核心依据

了解智能体所需的上下文之后，我们再回头看传统的企业知识管理：传统知识管理的主要工作，是通过任命知识官、构建专家网络、建设和维护知识库与知识社区，实现高价值知识资产的显性化与复用——比如将企业的规章制度、操作手册、案例经验等，整理成文档，存储在KMS系统中，供员工查询使用。

对比智能体所需的6类上下文，我们会发现：在刚才场景举例的所有Context中，直接相关的只有向量库的原始文档提供，对于User Prompt的意图解析规则、System Prompt的约束设定、短期记忆的管理、Tools/Skills的描述等几乎无法覆盖，这也就意味着，企业智能体落地真正需要的，是完整的上下文管理（Context Management），知识管理只是其中的一个环节，并非全部。

这是企业知识管理在智能体落地过程中的一个挑战，提供完整、准确、及时的知识文档已经足够挑战，但并没有办法解决智能体的全部输入需求，因此无法对最终的输出负责。

二、AI时代的企业知识管理：从For/By Human到For/By AI

虽然“企业知识管理≠智能体所需的上下文管理”，但这并不意味着企业知识管理失去了价值。在AI时代，我们需要对传统的企业知识管理进行真正意义上的升维：

By Human→By AI：一方面，从知识创造的维度，生成式AI的特性是天然适配的高产知识创作者，但也存在内容同质化、版权问题、原创能力流失、质量不可控等等问题，知识管理要解决AI创作的效率提升、质量管控和价值实现问题；

For Human→For AI：另一方面，更为重要的是从知识消费的维度理解，未来知识工作的主要主体是智能体完成（目前Google大约75%的新代码是AI生成），知识管理的主要服务对象将是AI，我们需要清洗、标注、结构化、向量化等方式，将组织已经沉淀的知识资产尽快转化为AI可用的知识，并最终迈向AI 自主创造新知识、同时 AI 之间互相消费、迭代、反思、优化的自演进之路。

传统知识管理拓展为AI时代知识管理后，企业就可以充分利用现有的知识基建与知识资产、降低智能体落地成本，并且将新的知识创造螺旋纳入到知识管理范围，从而支撑智能体的长期迭代。

1、知识基建与资产的复用，降低智能体落地成本

在企业引入智能体项目之前，绝大多数企业已经存在不同程度的知识管理活动——无论是大型企业的标准化KMS系统、知识库，还是中小型企业的共享文档、钉钉/企业微信中的知识沉淀，本质上都属于企业的“知识基建”；而那些已经完成编码化的知识文档（如规章制度、操作手册、产品说明、案例库等），则是企业的核心“知识资产”。

企业在推进智能体项目时，可以思考如何“盘活存量”——最大化现有知识基建与资产的价值，将其适配为智能体可调用的上下文。比如，企业已有的员工手册、任务管理规定，无需重新撰写，只需通过RAG技术进行切片、向量化处理，存入向量库，即可成为智能体所需的“中长期记忆”。这种存量资产的复用，能大幅降低智能体落地的研发成本和时间成本，让智能体更快具备“理解企业私域知识”的能力。

2、新的知识创造螺旋构建，支撑智能体长期迭代

知识的价值，从来不是“存储”，而是“流动与创造”。日本学者野中郁次郎提出的SECI模型（S-社会化、E-外显化、C-组合化、I-内隐化），描述了知识的循环创造过程：隐性知识（如员工的经验、技巧）通过社会化分享，转化为显性知识（如文档、手册）；显性知识通过组合、整理，形成新的知识体系；新的知识体系被员工吸收、内化为隐性知识，再通过实践产生新的隐性知识，形成一个持续循环的知识创造螺旋。

企业部署智能体后，一方面，智能体成为知识的“消费大户”——它需要持续获取知识，才能完成各类任务；另一方面，智能体也会成为知识的“创造者”——比如它可以基于员工的交互数据，总结出更高效的任务处理方法，生成新的Skills（技能），或者将零散的知识片段组合成新的知识文档。

而这个新的知识创造螺旋，依然需要企业知识管理的支撑：智能体生成的新技能、新知识，需要通过知识管理流程进行审核、整理、沉淀，避免错误知识的传播；员工与智能体交互过程中产生的新需求、新疑问，需要通过知识管理运营人员的梳理，转化为新的知识内容，补充到知识体系中……

简单来说，智能体让知识的创造和流动变得更快，但也更需要知识管理来“把关”和“沉淀”——没有知识管理的支撑，智能体生成的知识可能零散、错误，无法形成持续价值；而有了知识管理，才能构建起“人类创造知识→智能体复用知识→智能体生成新知识→人类/智能体共用知识”的新螺旋，支撑智能体长期迭代，让它越来越“懂”企业。

三、做好企业知识管理的大小循环

企业落地智能体的失败率依然很高，企业知识管理与智能体项目的合作存在诸多挑战。通过过去一段时间的知识管理实践，以及与许多智能体项目的合作，我发现做好企业知识管理、适配智能体落地，关键不在于“建设更庞大的知识库”，而在于在知识生产→存储→转化→消费的链路之上，构建两个相互联动、闭环运转的循环——我称之为知识管理的“大循环”与“小循环”。

小循环：从知识供给端，围绕业务需求，建立知识识别、内容质检、准入标准、定期更新、失效淘汰的全流程规则，从源头把控内容质量，杜绝无效、过期、错误信息输入，筑牢 AI 应用基础。

大循环：从知识消费端，实时监控智能体线上使用场景，收集Bad Case，反向追溯知识缺陷，针对性优化内容、调整调用规则，以实际业务使用效果倒逼知识体系持续优化，以终为始、以用为尺，闭环改善。

写在结尾

智能体时代，企业知识管理正在迎来范式升级：不再只服务于人，而是转向为 AI 服务，承担（部分）上下文治理、私域知识供给的核心作用。夯实企业知识底座，才能让智能体深度融入业务，实现人机协同，持续为企业创造价值。