AI Agent知识工程：把企业隐性知识转为可靠上下文

为支撑复杂任务执行，企业知识工程在AI Agent时代需把隐性知识变成可用上下文，并跨越RAG的局限。核心内容：1. 企业AI应用由RAG升级至Agent所需的能力2. 企业知识如何分类及知识工程是什么3. 构建语义等工作为何离不开知识工程

作者｜沙丘智库研究团队

沙丘社区（www.shaqiu.cn）｜来源

先导入文档建立知识库，再让模型借助 RAG 完成检索和问答，是企业应用大模型早期的常见路径。通用大模型对企业内部信息缺乏了解的问题由此能较快改善，不过这种路径所处理的重点依然只是“文档事实可访问”。

到了 AI Agent 阶段，企业所需能力已不止问答，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。

要执行上述任务，Agent 必须读懂企业特有的业务语境。客服 Agent 除了掌握政策条款，还应明确哪些情况允许破例、哪些情况必须升级以及不同地区客户适用的规则；IT 运维 Agent 既要了解告警说明，也要识别故障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，还须理解指标口径、业务归因和异常波动的成因。

标准文档很少完整承载这些能力。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、异常复盘和组织惯例中。若企业只用易于获取的显性数据建设 Agent，其能力便容易趋于同质化。

所以，Agent 时代的知识竞争比拼的并非“谁拥有更多文档”，而是谁能把企业独有知识工程化，转为 Agent 可使用的上下文；实现这种转化的关键正是知识工程。

01

知识工程的定义

把企业知识沉淀到企业上下文层，并转变为 Agent 能够检索、理解、推理、执行和追溯的语义资产，是沙丘智库定义 AI Agent 知识工程的目标；为此，需要持续开展知识识别、采集、抽取、建模、验证、治理、发布和更新。

理解企业知识可以采用两个维度：其一是知识是否经过编码，其二是知识表达的逻辑类型。

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、合同模板等信息已得到记录和存储，属于显性知识；

· 工作方法、流程经验和操作技巧虽未正式文档化，却能够被传授并迁移，属于隐性知识；

· 资深风控人员对风险的直觉、运维专家对故障的判断，以及销售经理对客户推进节奏的把握，都属于默会知识，即依托个人经验、直觉和长期实践形成的专业判断。

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、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、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、某类告警与底层依赖故障的可能关联、某类客户行为对流失风险的预示，都在解释“为什么”，归入因果性知识。

多数 AI 项目关注的是“显性&陈述性知识”，即文档与数据表中已有的事实。此类知识获取容易，适合搭建标准问答和基础检索能力，但差异化不强，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，让业务概念获得语义基础。业务实体及其关系、规则和约束，由知识工程借助本体、术语表、指标口径和知识图谱加以定义；Agent 因而理解的是业务概念，而非停留在字段或关键词匹配。

第二，让流程逻辑得到表达。任务步骤、状态转移、例外条件及工具调用约束，是知识工程对文档化流程和隐性操作习惯的转化结果；有了这些内容，Agent 才能按正确顺序完成任务。

第三，把因果与诊断逻辑沉淀下来。专家针对“原因、影响、风险、优先级”作出的判断，经知识工程转为结构化内容后，可为 Agent 处理异常、诊断问题、分析经营状况和识别风险提供更可靠的推理路径。

第四，为审计与治理提供语境。政策、权限、责任归属、数据口径和合规要求经知识工程处理后成为机器可读约束，既划定 Agent 执行任务的明确边界，也支持其产出可追溯证据。

上下文层要统一承载组织记忆、业务逻辑和治理规则，必须以知识工程作为“知识生产系统”；若缺少这一系统，它便容易仅剩数据接口与文档检索功能。

03

知识工程落地路径

从最小可用本体着手，是比“建成企业级全域知识图谱”更可行的知识工程路径；后者不仅范围大、周期长，而且难以验证价值，容易演变成高成本基础设施工程。

先让一个具体 Agent 场景运转起来，再依据反馈逐步扩展，是最小可用本体的目标。作为围绕单个 Agent 能力搭建的轻量领域模型，它只刻画实现该能力必需的关键概念、关系、规则、状态和例外条件。

企业可依照以下步骤推进：

第一，从高价值 Agent 场景中作出选择。业务价值是否明确、流程边界是否清晰、知识密度是否高、结果能否衡量，是确定优先级的依据；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、合同风险初审均属此类场景。

第二，用能力问题界定 Agent 目标。Agent 需要执行或回答的事项应得到明确，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，找出知识所在位置，包括系统、文档、专家、历史案例、会议纪要、工单备注、审批记录和操作日志。

第四，同时获取显性知识与隐性知识：一方面结构化抽取文档、流程和系统记录，另一方面采用访谈、工作坊、影子学习和案例复盘来提炼专家经验。

第五，以实体、属性、关系、规则、状态、事件、流程和例外条件的定义为基础，对关键概念及其关系进行建模，最终形成最小可用本体。

第六，让 Agent 的检索、工具调用和上下文选择流程接入本体、图谱、规则与知识片段，从而完成向上下文层的发布。

第七，依据运行情况开展反馈和评估。Agent 输出质量、任务完成率、工具调用正确率、人工纠错和业务结果都应被追踪，并作为持续修订知识模型的依据。

建设 HR 休假政策 Agent 时，最初并不需要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 面对复杂案例所用的判断逻辑，才是最小可用本体需要描述的范围。凭借这些内容即可支撑一个高价值 Agent 能力，后续向薪酬、绩效、招聘等场景扩展也有了基础。

尚未形成文档的知识最难被知识工程提取，企业为此能够组合多种方法，具体如下：

· 专家访谈。围绕关键判断、常见例外、决策依据和风险边界设置结构化访谈，并由业务专家作出解释。与复述文档相比，更重要的是追问“遇到例外怎么办”、“为什么这样判断”、“有哪些隐藏条件”。

· 任务拆解。把高绩效员工完成任务时的表现作为观察对象，再从中分解出输入、判断、步骤、工具、输出和反馈；客服、销售、运维、审核、分析等场景均适用。

· 案例复盘。判断模式和因果关系可从历史成功案例、失败案例、投诉案例、事故案例中提炼出来；需要沉淀异常处理及风险识别知识时，这种方法尤其适用。

· 流程挖掘。基于业务系统日志、工单流转、审批记录和操作轨迹还原实际流程，再与制度流程进行对照，以识别隐性路径及绕行规则。

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

· 人机协同标注。大模型先辅助完成术语、关系和规则的初步抽取，业务专家随后负责确认、修订和补充，以免错误知识被自动抽取过程结构化。

· 能力问题驱动建模。先明确 Agent 必须回答哪些问题，再据此反推所需的概念、关系和规则，以此约束本体，避免设计过度。

让 Agent 获得能够检索、推理和执行的结构化资产，需要上述方法共同把“人知道但系统不知道”的知识转化出来。

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

登录查看剩余 70% 内容