AI Agent知识工程：将企业隐性知识转为可靠上下文

复杂任务要得到执行层面的支撑，企业就需在AI Agent时代借助知识工程，把隐性知识整理成可用上下文，并摆脱RAG的局限。
核心内容：
1. 从RAG走向Agent的企业AI应用能力升级需求
2. 企业知识按哪些维度分类，以及知识工程如何定义
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｜内容来源为沙丘社区

把文档放入知识库，交由 RAG 检索后让模型作答，是企业应用大模型初期的普遍路径。通用大模型因不了解企业内部信息而产生的问题，借此能较快改善；不过，它解决的重点依旧只是让文档事实能够被访问。

问答已不足以覆盖企业进入 AI Agent 阶段后的需求，任务执行、流程推进和异常处理，以及跨系统协同与业务决策辅助，都需要纳入其中。

企业特定的业务语境，是 Agent 承担这些任务时必须理解的内容。政策条款只是客服 Agent 所需知识的一部分，它还须分清可破例与必须升级的情形，并判断各地区客户适用的规则；面对告警，IT 运维 Agent 还需掌握故障的因果链路及处置优先级；对财务分析 Agent 而言，读取报表之外，指标口径、业务归因和异常波动成因也必须理解。

资深员工的经验与组织惯例，业务系统留下的操作痕迹，以及历史案例、审批记录、会议讨论、工单备注和异常复盘，承载了大量关键知识；标准文档通常无法将这些能力完整记录。若 Agent 的建设范围只覆盖易于取得的显性数据，企业能力便会走向同质化。

由此可见，Agent 时代的知识竞争并不取决于谁的文档更多，而在于谁能将企业独有知识工程化，形成可供 Agent 使用的上下文；知识工程正是实现这一转化的关键。

01

知识工程的定义

在沙丘智库的定义中， AI Agent 知识工程以企业知识为对象，涵盖识别、采集、抽取、建模、验证、治理、发布与持续更新。其目标是形成 Agent 能够检索、理解、推理、执行并追溯的语义资产，最终将这些资产沉淀进企业上下文层。

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，知识分为三类：

· 制度文档、操作手册、数据库字段、报表、FAQ及合同模板等已经记录并存储的信息，属于显性知识；

· 隐性知识：指尚未正式形成文档，但能够传授和迁移的工作方法、流程经验及操作技巧；

· 资深风控人员形成的风险直觉、运维专家作出的故障判断，以及销售经理对客户推进节奏的把握，都属于默会知识；这类专业判断建立在个人经验、直觉和长期实践之上。

按照逻辑类型，知识同样分为三类：

· 产品定义、政策条款、指标口径、客户属性和设备参数等内容，用于说明“是什么”，归入陈述性知识；

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

· 价格变动对转化率的影响、某类告警可能对应的底层依赖故障，以及某类客户行为预示的流失风险，解释的是“为什么”，均属因果性知识。

文档与数据表已经记载的事实，也就是“显性&陈述性知识”，构成大多数 AI 项目的关注重点。由于获取容易，它们适合支持基础检索和标准问答；但其差异化不强， Agent 自主执行复杂任务也难以仅靠这类知识实现。

02

知识工程的价值

知识工程在企业上下文层中主要承担四类作用：

第一，业务实体及其关系、规则和约束，需要由本体、术语表、指标口径与知识图谱加以定义。知识工程由此搭建语义基础，让 Agent 面向业务概念进行理解，而非停留于字段或关键词的匹配。

第二，要使 Agent 依照正确次序执行任务，知识工程需把文档化流程及隐性的操作习惯，表达为任务步骤、状态转移、例外条件与工具调用约束，从而呈现流程逻辑。

第三，专家围绕“原因、影响、风险、优先级”形成的判断，经知识工程转为结构化内容后，便能沉淀为因果与诊断逻辑。由此， Agent 处理异常、诊断问题、分析经营情况和识别风险时，可获得更可靠的推理路径。

第四，政策、权限、责任归属、数据口径及合规要求，可以经知识工程变成机器可读的约束。这样既为 Agent 执行任务划定明确边界，也使其能够生成可追溯证据，从而形成治理和审计所需的语境。

上下文层若缺少知识工程，往往只剩数据接口与文档检索；当知识工程把组织记忆、业务逻辑及治理规则统一承载起来，上下文层才具备相应作用。因此，知识工程承担的是上下文层“知识生产系统”的角色。

03

知识工程落地路径

知识工程不应从建成企业级全域知识图谱起步。这类项目范围大、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；更切实可行的方式，是先构建最小可用本体。

围绕单个 Agent 能力，只对必要的关键概念、关系、规则、状态及例外条件进行描述，由此形成的轻量领域模型就是最小可用本体。它先以跑通某个具体 Agent 场景为目标，之后再依据反馈逐步扩大范围。

企业可以依照以下步骤推进：

第一，应从业务价值清楚、流程边界明确、知识密度较高且结果能够衡量的对象中，优先确定高价值 Agent 场景。 HR 政策问答与审批、客服复杂问题处理、IT 故障排查、销售机会推进、财务指标解释和合同风险初审，均属于这类场景。

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，需要从系统、文档、专家、历史案例、会议纪要、工单备注、审批记录及操作日志等载体中，识别知识具体分布的位置，完成知识来源定位。

第四，文档、流程及系统记录中的内容应接受结构化抽取；专家经验则从访谈、工作坊、影子学习与案例复盘中提取。两条路径共同完成显性和隐性知识的抽取。

第五，以实体、属性、关系、规则、状态、事件、流程及例外条件为建模对象，完成关键概念和关系的定义，并据此形成最小可用本体。

第六，把本体、图谱、规则及知识片段纳入 Agent 的上下文选择流程，同时接入其检索和工具调用环节，即完成向上下文层的发布。

第七，知识模型的持续修订，应以运行评估和反馈为依据；需追踪的内容包括 Agent 输出质量、任务完成率、工具调用正确率、人工纠错与业务结果。

若建设 HR 休假政策 Agent，起步阶段不必覆盖整个人力资源知识体系。员工类型、地区、假期类型、入职时间、累计规则、公司政策、例外条件、审批路径，以及资深 HR 面对复杂案例时采用的判断逻辑，就是最小可用本体需要描述的范围。它已能支撑一个高价值 Agent 能力，也可作为日后拓展至薪酬、绩效、招聘等场景的基础。

提取尚未文档化的知识，是知识工程中难度最高的部分，企业可以组合采用以下多种方法：

· 专家访谈。业务专家需在结构化访谈中说明决策依据、风险边界以及关键判断和常见例外。重点不在复述文档，而在围绕“有哪些隐藏条件”“为什么这样判断”“遇到例外怎么办”继续追问。

· 任务拆解。先观察高绩效员工如何完成任务，再按输入、判断、步骤、工具、输出与反馈拆解整个过程；这种方法适用于分析、审核、运维、销售和客服等场景。

· 案例复盘。判断模式与因果关系，可以从事故案例、投诉案例、失败案例和历史成功案例中提取；需要沉淀风险识别及异常处理知识时，案例复盘尤其适用。

· 流程挖掘。实际流程可从操作轨迹、审批记录、工单流转和业务系统日志中发现；将其同制度流程比较后，便能识别绕行规则及隐性路径。

· 文档与对话抽取。实体、关系、规则和条件的抽取对象，包括知识库、邮件、即时通讯、客服记录、会议纪要、操作手册及制度文档。

· 人机协同标注。术语、关系与规则先由大模型辅助完成初步抽取，再让业务专家补充、修订并确认，以免错误知识被自动抽取过程结构化。

· 能力问题驱动建模。先确定 Agent 非回答不可的问题，再反向推导建模所需的规则、关系及概念，以此控制本体设计不过度。

让 Agent 获得能够检索、推理和执行的结构化资产，需要先把系统尚未掌握、但人已经知道的知识转化出来；这正是上述方法共同指向的目标。

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

登录查看剩余 70% 内容