夜雨聆风
2026年初春的一个下午，G公司知识管理部马部长的办公室里飘着淡淡的普洱茶香。
他刚结束一场“压力山大”的跨部门会议——会上，研发中心的小伙子们兴奋地展示着用OpenClaw搭建的自动化测试流程，只用了几个“skills”就让原本需要三天的人工回归测试缩短到半小时。
“马部长，咱们那十万篇文档，以后还有人看吗？”坐在对面的知识管理专员小林忍不住问道，“现在大家张口闭口都是‘养龙虾’、智能体，文档是不是快被淘汰了？”
马部长端起茶杯，没有急着回答。他望着窗外G公司园区里往来穿梭的员工，想起了这五年知识管理走过的路。
从2020年在一片质疑声中建起知识库，到如今成为行业标杆，他深知：知识的形态在变，但知识经营的本质从未改变——让正确的知识，在正确的时机，以正确的形态，流向正确的人。
“小林，你说对了，也不全对。”马部长放下茶杯，“我们的重心确实要变，但不是抛弃文档，而是‘进化’。”
知识文档时代：从“沉淀资产”到“提质增效”
2020年，G公司刚启动知识管理时，马部长面对的是一个典型的“富矿上的贫瘠”——公司成立三十多年，积累了海量的产品图纸、工艺文件、维修记录和市场报告，但这些文档分散在各个部门的硬盘里、老员工的抽屉中，甚至只存在于“老法师”的脑子里。
最大的挑战不是建系统，而是“让人愿意存、敢于用”。一线工程师抱怨：“写文档的时间够我画三张图了。”销售人员担心：“我的客户经验分享出来，业绩被抢了怎么办？”
马部长的对策是“软硬兼施”。硬的一面，是建立清晰的激励和考核机制——知识贡献纳入月度绩效，优秀案例在年会上重奖。软的一面，是打造“知识集市”文化，让分享者成为“知识网红”，在内部平台上收获点赞和评论。
到2023年，G公司知识库已沉淀10万+篇文档。但真正让管理层刮目相看的，是知识复用带来的实打实的效益。
售后部门将历年维修案例整理成“故障树文档”，新来的维修工遇到空调E5故障，一搜就知道是室外机主板问题，平均修复时间从90分钟降到45分钟。
研发中心在新品开发时，调阅了五年前某款失败产品的测试报告，直接规避了三个已被验证不可行的技术路线，节省了近千万元的试错成本。
“那时候，文档就是知识的代名词。”马部长回忆道，“我们像建图书馆一样建知识库，分类、索引、检索，一切都是为了让文档‘好找、好用。”
知识指令时代：从“人找文档”到“问答即服务”
2024年底，大模型技术的爆发像一颗石子投入平静的湖面。G公司也赶在2025年初部署了企业级大模型，最初的设想很简单：用AI改造知识检索，让员工用自然语言提问，系统从十万篇文档中找出答案。
但真正的转折发生在一次偶然对话。制造部的一位线长在晨会上抱怨：“我知道公司有设备保养规范，文档编号WL-SOP-037，但我哪有时间去库里翻？我就想问一句‘波峰焊机明天要换线，要注意什么’，系统能直接告诉我就行了。”
这句话点醒了马部长：在AI时代，用户需要的不是文档的“指针”，而是问题的“答案”！
文档只是载体，用户要的是内容本身。更关键的是，同一个文档里的信息，在不同场景下需要被“重组”成不同的答案。
G公司迅速调整策略，从“文档检索”转向“智能问答”。他们做了两件事：
第一，清洗和标注存量文档。十万篇文档中，有大量是扫描版PDF、格式混乱的Word、甚至是图片。团队花了三个月时间，用OCR和自然语言处理技术将它们转换成结构化数据，并打上业务场景标签。
第二，构建“知识指令”体系。所谓“指令”（Prompt），不是给AI看的提示词，而是将业务问题转化为AI可执行的“提问模板”和“答案框架”。比如，维修场景的指令模板包括：“设备型号+故障现象+已尝试操作”，输出的答案框架则必须包含：可能原因（按概率排序）、排查步骤、所需工具、安全注意事项。
成果立竿见影。2025年三季度上线“智答助手”后，员工的平均知识获取时间从原来的8分钟（登录系统→搜索→筛选→阅读→提取）缩短到不到1分钟（直接提问→获得答案）。
更令人惊喜的是，一些资深的“隐性知识”开始通过问答沉淀下来——一位老工程师习惯性地在回答同事问题时多说一句“这个故障还有一个坑要注意……”，系统自动把这句“碎碎念”收录进问答库，经过脱敏处理后，成为大家共享的知识。
“文档依然是知识的‘原料’，但指令是‘配方’。”马部长总结道，“没有配方，原料堆在仓库里一文不值。有了配方，同样的原料可以做出千百道菜。”
知识技能时代：从“提供答案”到“执行任务”
2026年，OpenClaw“养龙虾”概念的兴起，让知识管理再次站在了十字路口。
所谓OpenClaw，是一种让大模型能够调用外部工具、操作软件系统、自主完成多步骤任务的智能体框架。当员工发现AI不仅能回答问题，还能直接干活时，他们的期望值一下子被拉高了。
“马部长，你的智答助手确实能告诉我怎么修设备，但它能直接帮我查库存、下备件单、预约维修时间吗？”那位线长又发问了。
这一次，马部长意识到，知识管理的边界正在从“认知”延伸到“行动”。过去，知识管理的终点是“告诉你怎么做”；现在，用户要的是“帮我把事做了”。而实现这一跨越的关键，是“知识技能”（Skills）。
知识技能是什么？它本质上是一段可被AI理解和执行的“任务脚本”，它封装了三个要素：做什么（目标）、怎么做（流程）、用什么做（工具）。
比如，一个“月度销售复盘”技能，会自动从CRM拉数据、从知识库调取分析模板、生成PPT草稿、甚至向相关人员发送会议邀请。
G公司在2026年第二季度启动了“技能工坊”项目，核心任务是将高频的业务场景“技能化”。他们分了四步走：
第一步，识别高频场景。通过分析过去一年的问答日志，找出那些“反复被问、流程固定、可自动化”的任务。排在前三的是：设备故障诊断与维修派单、客户投诉处理流程引导、新产品上市前的资料包准备。
第二步，将流程“拆解”为技能。以设备故障为例，一个完整的“维修技能”需要串联六个子技能：故障识别→权限验证→备件库存查询→维修工单生成→维修知识推送→维修结果回写。
第三步，建设技能“工具箱”。G公司开放了内部系统的API接口——ERP、CRM、MES、工单系统，让技能可以“伸手”够到这些系统。同时，建立技能开发的规范和集市，鼓励业务部门自己开发“小技能”。
第四步，治理与安全。这是最容易被忽视的一环。一个技能可能涉及多个系统的数据流转，权限控制、操作留痕、异常熔断机制缺一不可。G公司建立了“技能审批委员会”，由知识管理部、IT部、法务部、业务方共同审核上架的技能。
到2026年5月，G公司已上线了18个经过验证的“知识技能”。最受欢迎的是一个叫“客诉助手”的技能——客服人员只需输入客户ID和投诉摘要，技能会自动调取订单信息、匹配历史类似投诉的处理方案、生成回复话术建议，并一键创建工单派发到责任部门。原本平均耗时40分钟的客诉处理，现在8分钟就能搞定。
“但有一条红线我们守得很死：涉及重大决策、资金审批、安全操作的技能，必须保留‘人机协同’——AI可以准备方案、提供建议，但最终确认键必须由人来按。”马部长强调。
总结：三位一体，以“用”为纲
回顾这五年，从知识文档到知识指令，再到知识技能，马部长认为这不是“替代关系”，而是“叠加关系”。
文档是“原料”，它回答“有什么”的问题。
没有高质量的文档，知识和技能就是无源之水。G公司至今仍在鼓励员工撰写复盘报告、案例总结，只是现在这些文档会更快被“指令化”和“技能化”。
指令是“配方”，它回答“怎么用”的问题。
指令让同样的文档在不同场景下发挥不同价值，是连接“静态知识”和“动态需求”的桥梁。
技能是“产线”，它回答“怎么快”的问题。
技能将知识和指令封装成可执行的任务，真正实现了从“知”到“行”的闭环。
“如果用一句话总结我这几年的心得，那就是：知识经营的重心不在‘存’，而在‘用’。”马部长对前来取经的同行说，“AI时代，用户不在乎你的知识是什么格式、存在哪里，他们在乎的是——你能不能帮我把手头的事办成。谁能用最低的成本、最短的路径做到这一点，谁就赢在了知识竞争的起跑线上。”
窗外的天色已近黄昏，马部长站起身，给茶杯续上了热水。办公桌上的电脑屏幕上，G公司知识管理平台的实时看板闪烁着数字：今日文档上传247篇，指令调用3,892次，技能执行1,156次。三个数字都在增长，但增速最快的是技能执行次数。
“小林，”他转头对一直在旁边记录的下属说，“明年咱们的重点不是继续堆文档，而是把Top50的业务场景全部技能化。另外，你帮我约一下IT部的老王，聊聊怎么把技能的调用数据反哺回知识库——AI每次执行任务后的‘经验’，也该被沉淀下来。”
知识管理的下一个五年，已经开始了。
转载自：吴庆海聊知识管理
