AI Agent知识工程：将企业隐性知识转化为可靠上下文

为执行复杂任务提供支撑，是AI Agent时代企业知识工程的新要求：不再受限于RAG，而要让隐性知识成为可用上下文。
核心内容：
1. 企业AI应用由RAG升级至Agent所需的能力
2. 企业知识有哪些分类维度，知识工程如何定义
3. 构建语义等工作为何体现知识工程的核心价值

作者｜沙丘智库研究团队

www.shaqiu.cn｜沙丘社区来源

企业应用大模型的早期阶段，通常会先把文档导入知识库，再利用RAG让模型执行检索并回答问题。该方法能够迅速缓解通用大模型不了解企业内部信息的情况，但它主要处理的依然是“文档事实可访问”问题。

当企业迈入AI Agent阶段，需求已不再局限于问答，还包括执行任务、推进流程、处理异常、跨系统协同以及辅助业务决策。

要完成上述任务，Agent必须理解企业独有的业务语境。客服Agent除了掌握政策条款，还需判断哪些情况允许破例、哪些情况必须升级，以及不同地区的客户适用何种规则；IT运维Agent不但要了解告警说明，也要掌握故障之间的因果链路与处置优先级；财务分析Agent不仅需要读取报表，还必须理解指标口径、业务归因和异常波动背后的原因。

标准文档很少会完整收录这些能力。许多关键知识分散在资深员工经验、业务系统操作痕迹、历史案例、审批记录、会议讨论、工单备注、异常复盘及组织惯例之中。若企业仅围绕易于取得的显性数据建设Agent，其能力就会趋于同质化。

由此可见，Agent时代的知识竞争，比拼的不是“谁掌握的文档更多”，而是“谁能把企业特有知识工程化，形成Agent可使用的上下文”。完成这一转化，关键就在于知识工程。

01

知识工程的定义

企业上下文层所沉淀的语义资产，应当能被Agent检索、理解、推理、执行和追溯。沙丘智库据此定义AI Agent知识工程：对企业知识进行持续更新，并完成发布、治理、验证、建模、抽取、采集和识别。

理解企业知识可以采用两个维度：其一是知识有没有被编码，其二是知识所表达的逻辑类型。

按照编码状态，知识可归为三类：

· 制度文档、操作手册、数据库字段、报表、FAQ、合同模板等信息，因已得到存储和记录，归入显性知识；

· 隐性知识：指尚未经过正式文档化，但能够传授与迁移的工作方法、流程经验及操作技巧；

· 资深风控人员凭借风险直觉、运维专家作出故障判断、销售经理把握客户推进节奏，都属于默会知识；这类专业判断建立在个人长期实践、直觉与经验之上。

若按逻辑类型划分，知识同样可归纳为三类：

· 产品定义、政策条款、指标口径、客户属性、设备参数等内容，解决的是“是什么”，属于陈述性知识；

· 审批步骤、故障处理流程、销售跟进节奏、客服升级路径等内容，说明“怎么做”，归为流程性知识；

· 价格变动对转化率的影响、某类告警对底层依赖故障的可能指向、某类客户行为所预示的流失风险，均用于解释“为什么”，属于因果性知识。

多数AI项目把重点放在“显性&陈述性知识”，即已经记录于文档与数据表中的事实。此类知识容易取得，适用于建设标准问答和基础检索能力，但能够形成的差异化有限，也难以支持Agent自主完成复杂任务。

02

知识工程的价值

知识工程在企业上下文层主要承担四类作用：

第一，让Agent从理解业务概念出发，而非止于字段或关键词匹配。为此，知识工程定义业务实体、关系、规则和约束，并以本体、术语表、指标口径和知识图谱建立语义基础。

第二，要让Agent依照正确顺序完成任务，需把文档化流程与隐性操作习惯表达成工具调用约束、例外条件、状态转移和任务步骤；知识工程由此呈现流程逻辑。

第三，在异常处理、问题诊断、经营分析和风险识别中，Agent需要更可靠的推理路径。知识工程为此把专家针对“原因、影响、风险、优先级”的判断加以结构化，沉淀因果与诊断逻辑。

第四，Agent执行任务所需的明确边界和可追溯证据，来自机器可读约束；知识工程把合规要求、数据口径、责任归属、权限和政策转化为这类约束，从而形成治理和审计语境。

上下文层若缺少知识工程，便容易只剩文档检索和数据接口；只有引入这一“知识生产系统”，它才可统一承载治理规则、业务逻辑与组织记忆。因此，知识工程决定了上下文层能否发挥应有作用。

03

知识工程落地路径

知识工程不宜从“建成企业级全域知识图谱”起步。此类项目范围广、周期长且价值不易验证，很容易演变为高成本的基础设施工程；更具可行性的路径，是先建设最小可用本体。

先使一个具体Agent场景运行起来，再依据反馈逐步扩展，这是最小可用本体的目标。作为面向单个Agent能力的轻量领域模型，它仅涵盖实现该能力必需的例外条件、状态、规则、关系和关键概念。

企业可依照以下步骤逐步推进：

第一，业务价值明确、流程边界清晰、知识密度高且结果可衡量，是筛选高价值Agent场景的优先条件。符合条件的包括合同风险初审、财务指标解释、销售机会推进、IT故障排查、客服复杂问题处理，以及HR政策问答与审批。

第二，定义 Agent 目标和能力问题。明确 Agent 要回答或执行什么问题，例如“某员工在某地区是否可以申请某类假期”、“某告警是否需要升级”、“某合同条款是否触发风险”。

第三，先查明知识分布位置，包括操作日志、审批记录、工单备注、会议纪要、历史案例、专家、文档及各类系统，由此完成知识来源定位。

第四，专家经验可从案例复盘、影子学习、工作坊和访谈中获得；与此同时，对系统记录、流程与文档开展结构化抽取，从两条路径分别获取隐性知识和显性知识。

第五，最小可用本体由例外条件、流程、事件、状态、规则、关系、属性和实体共同构成；对这些关键概念及其关系完成定义，也就完成了建模。

第六，让Agent的上下文选择、工具调用和检索流程接入知识片段、规则、图谱及本体，即可把这些成果发布至上下文层。

第七，知识模型的持续修订，应以人工纠错、业务结果、工具调用正确率、任务完成率和Agent输出质量的追踪结果为依据，这一过程同时完成运行评估与反馈。

一个高价值Agent能力，可由范围有限的最小可用本体支撑。以HR休假政策Agent建设为例，起步时不必覆盖完整的人力资源知识体系，只需纳入资深HR处理复杂案例所用的判断逻辑，以及审批路径、例外条件、公司政策、累计规则、入职时间、假期类型、地区和员工类型。以此为基础，后续还可扩展至招聘、绩效、薪酬等场景。

企业可将下列多种方法配合使用，用于解决知识工程中最棘手的问题：获取仍未形成文档的知识。

· 专家访谈。重点应放在“有哪些隐藏条件”“为什么这样判断”“遇到例外怎么办”等追问上，而不是要求专家重复文档。采用结构化访谈，可使业务专家讲清风险边界、决策依据、常见例外和关键判断。

· 任务拆解。先跟踪高绩效员工执行任务的全过程，再按反馈、输出、工具、步骤、判断和输入进行拆分；客服、销售、运维、审核、分析等场景均适合采用这种方法。

· 案例复盘。异常处理与风险识别知识尤其适合用这种方式沉淀：汇集事故案例、投诉案例、失败案例和历史成功案例，再从中提炼因果关系与判断模式。

· 流程挖掘。先从操作轨迹、审批记录、工单流转和业务系统日志还原实际流程，再将其与制度流程比较，以找出绕行规则及隐性路径。

· 文档与对话抽取。实体、关系、规则和条件，可从知识库、邮件、即时通讯、客服记录、会议纪要、操作手册及制度文档中提炼。

· 人机协同标注。为免错误知识经自动抽取后被结构化，应由业务专家负责补充、修订和确认；在此之前，可让大模型先辅助完成规则、关系和术语的初步抽取。

· 能力问题驱动建模。在开始建模前，先明确Agent必须回答的问题，再由这些问题反推所需的概念、关系及规则，避免本体出现过度设计。

上述方法拥有同一个目标：将“人已经知道、系统却不知道”的知识，转换为Agent能够检索、推理并执行的结构化资产。

沙丘智库《AI Agent知识工程：从企业隐性知识到可靠上下文》为以上内容的出处

登录后查看剩余70%内容