铃阅
❌

阅读视图

AI实施那些事02—为什么客户宁愿每份文档都审一遍?

原创 这个男人来自千祥 2026-11-10 08:28 江苏

在设计知识库的知识准入功能时,我们最早考虑的一个问题就是:企业的知识每天都在更新,如果每一份文档都要经过人工审核,那知识更新的效率是不是太低了?

在设计知识库的知识准入功能时,我们最早考虑的一个问题就是:企业的知识每天都在更新,如果每一份文档都要经过人工审核才能进入知识库,那知识更新的效率是不是太低了?

尤其是一些大型企业,知识可能分布在几十个部门、上百个科室。如果所有文档都要排队等审批,时间一长,知识库里的内容很容易就跟不上实际业务的变化。

所以,我们最初的设计思路其实很明确:尽可能让系统完成检查,只把真正需要业务判断的事情交给人。

比如,一份文档准备发布时,系统会先自动扫描,检查它是否符合预先设定的规则。大部分没有问题的文档,可以直接进入后续发布流程;如果发现某些情况需要业务人员判断,就触发人工审核;如果触碰了明确的禁止条件,系统也可以直接驳回,并告诉提交人需要修改什么。

这样既可以保证知识质量,又不至于让人工审批成为知识更新的瓶颈。

从产品设计的角度看,我一直觉得这个思路是合理的。

但真正到了客户现场,我们发现事情并没有想象中那么简单。

01

客户为什么选择全部人工审核?

在一些项目实施过程中,客户刚开始使用知识准入时,往往会选择一种看起来比较传统的方式:不管什么文档,先经过人工审批再说。

这多少有些出乎我们的预期。

图:知识准入控制

毕竟,我们花了不少精力设计自动化规则,就是希望帮助客户减少人工干预。现在倒好,客户还是选择每份文档都让人看一遍。

但随着项目推进,我们也逐渐理解了其中的原因。

并不是客户不愿意使用自动化,而是他们在刚开始建设知识库的时候,自己也不太清楚,究竟什么样的知识应该被允许进入系统。

我们在产品里预置了一些准入规则,比如文件类型、文件大小、必填字段、来源等。这些规则相对容易定义,也容易交给系统执行。

但企业真正关心的往往不止这些。

举个例子,一份新的业务操作手册已经上传了,但要到下个月才正式生效。这个时候,它应该进入知识库吗?如果进入了,Agent现在能不能引用?旧版手册又该怎么处理?

这些问题并不是简单检查一下文档格式就能解决的。

而且,不同部门的情况可能完全不一样。有些资料上传后就应该立即生效,有些需要经过业务负责人的确认,还有一些虽然已经失效,却仍然需要保留供历史查询。

你让客户在项目启动的时候,就把这些规则全部梳理清楚,其实是很困难的。

尤其是很多业务人员,此前并没有系统地思考过知识应该如何准入、如何更新、如何退出。他们可能知道自己平时怎么处理这些资料,但要把这些经验一下子变成一套明确的系统规则,并不容易。

所以,先把人工审核全部打开,反而成了一种比较容易落地的选择。

至少在这个阶段,他们可以先把知识库用起来,再通过实际收到的文档,逐步弄明白哪些知识应该放行,哪些需要特别关注。

02

审了三个月,才逐渐知道自己在审什么

不过,全部人工审核也有明显的问题。

文档多了以后,审批工作量会越来越大。更麻烦的是,很多审核其实是在重复做同一件事情。

比如,某类业务资料一直由固定部门提交,格式也基本一致,审核人每次打开文档,检查的可能就是那几个字段有没有填写完整。

第一次需要看,第二次也需要看,但到了第十次、第二十次,是否还有必要继续让人来做这个判断?

有的客户在运行了大约三个月之后,开始逐渐发现这个问题。

这个时候再回头看此前的审批记录,就会有很多新的认识。

哪些文档其实一直都在正常放行?哪些问题反复导致驳回?哪些审核必须由业务负责人来做判断?哪些事情其实只要把规则明确下来,系统就完全可以处理?

这些问题,在项目刚开始的时候可能很难回答。但经过一段时间的实际运行,答案反而慢慢清楚了。

举个简单的例子。

如果某类文档每次被驳回,都是因为缺少生效日期,那么我们完全可以把生效日期设置为必填项,让系统自动检查,而不需要每次都让审批人打开文档去确认。

但如果一份新制度虽然已经发布,却涉及旧制度的废止时间,甚至存在一段新旧制度并行的时期,那么这个判断可能仍然需要业务人员参与。

这样一来,原来全部依赖人工的准入过程,就可以一点点把已经明确的判断交给系统,把真正需要业务经验的部分保留下来。

这里还有一个很容易被忽略的问题。

审批记录不能只是“通过”和“驳回”。

如果一份文档被驳回了,最好能够留下具体原因。否则,三个月以后我们可能知道审批了多少份文档、驳回了多少份,却不知道这些文档为什么被驳回,更不知道应该怎样改进自动化规则。

也就是说,前期的人工审批除了保证知识质量,还应该有另外一个作用:帮助企业逐渐形成自己的知识准入标准。

03

从全部审核,到只审核真正需要审核的

经历这些项目之后,我们对知识准入的理解也有了一些变化。

原来我们更多是从产品能力出发,希望尽可能通过自动化减少人工审核。

但在实际实施过程中发现,对于很多企业来说,自动化不是一开始就能实现的状态,而是随着业务规则逐渐清晰,才能慢慢达到的状态。

所以,在AIS的设计中,我们把自动检查和人工审批作为可以分别配置的环节。

客户刚开始建设知识库时,可以选择全部人工审核。等运行一段时间,逐步积累了自己的准入规则,就可以把一部分重复性的审核交给系统。

对于规则已经比较清晰的知识库,可以取消人工审批节点,让符合要求的文档经过自动检查后直接进入发布流程;而那些仍然需要业务人员判断的知识库,则继续保留人工审核。

当然,这里面还有一个前提:不能只是把审批人取消了,就认为实现了自动化。

真正重要的是,原来由审批人做出的那些判断,有多少已经被转化成了明确、可靠、可以被系统执行的规则。

否则,只是减少了审批环节,未必真正解决了知识质量的问题。

现在再回过头看,我觉得企业知识准入这件事,真正有价值的地方不只是把好知识库的入口。

在很多项目里,客户一开始并不知道自己应该建立怎样的准入规则。这些规则不是坐在会议室里讨论几次就能全部确定的,而是在实际处理一份份资料的过程中,慢慢被发现、确认,再沉淀下来。

前期让人来审,是因为规则还不够清楚;后期让系统来审,是因为这些规则终于被梳理清楚了。

如果能够把这个过程走通,那么客户最初花在人工审批上的时间,就不只是完成了一项日常工作,还为后续的知识治理积累了一套真正符合自身业务的规则。

这或许比一开始就追求多高的自动化率,更有实际意义。


延伸阅读:TorchV AIS 用户手册|知识准入[1]

【参考链接】

  1. https://www.torchv.com/docs/ais-getting-started/#3-%E7%9F%A5%E8%AF%86%E5%87%86%E5%85%A5

→  END  ←

阅读原文

跳转微信打开

  •  

AI实施那些事01—企业知识库到底该按部门创

土猛的员外 2026-11-03 10:34 山东

企业建知识库,最稳的办法是按部门分:风险部一个库、运营部一个库。谁拥有谁管,责任清楚。

可真让 AI 干活就卡住了。比如做贷款预审批助手,得同时看产品条件、风控规则和办理流程。资料散在好几个库里,AI 到底该用哪个?

接上所有库行不行?资料少时能对付。库一多就乱套——风险部几千份文件,一笔贷款其实只用其中几页。全开放既不严谨,也未必找得准。

按业务重新建库也不行。同一份制度被复制到五六个地方,源头一改,副本全可能漏更。想让管理员提前猜到明年会有什么应用,太为难人了。

后来我们做了两层:知识库存正本,知识空间按需组装。

风险部继续维护授信规则,产品部继续维护产品资料。业务要做贷款预审批,就把需要的制度、流程、规则拉进同一个空间。权限照旧,来源也留着。

关键是版本怎么跟。查今天的价格,当然要最新版;复盘已结束的项目,就得保留当时那份。所以引用时可以选“跟最新版”“只复制一次”,或“固定版本并通知”。

谁掌握知识,谁负责维护;谁要把事情办成,谁来组织知识。

跳转微信打开

  •  

AI实施那些事01—企业知识库到底该按部门创建,还是按业务来创建?

原创 这个男人来自千祥 2026-11-03 08:50 四川

如果你正在创建企业级的知识库,通常很快就会碰到一个问题:知识库到底怎么组织?

一般来说,最稳妥的方式肯定是按部门分。比如风险管理部一个库,运营管理部一个库,产品部一个库,科技部再来一个,也可以是一个小组一个库。知识管理可以遵循“谁拥有,谁管理,谁负责”的原则。

但等到真正做 AI 应用的时候,事情就没那么顺了。

比如,我们一家银行想做一个贷款预审批助手。它既要知道产品的准入条件,也要了解风险部的授信规则,还得参考运营部的办理流程和最新的相关制度。这些资料在好几个部门的知识库里,那这个助手到底应该用哪个库?

有一种方法是直接把这几个库都接上。如果资料不多、应用不多的时候,这么做就能解决问题。

但随着知识库越来越多、业务越来越复杂,新的麻烦也会跟着出现:风险部可能有几千份文件,贷款预审批只需要其中一部分;运营部的流程覆盖很多业务,也不是全部都适用;不同产品、不同客群,适用的条件还可能不一样。把库接上,只是让 AI 有机会找到资料。至于这件事应该用哪些资料、哪些不能用,还是得有人想清楚。而且整个部门的知识库全部开放给某个应用,不管怎么说都不是一件严谨的事情。

部门把知识管好了,和业务能把知识用好,中间其实还有一段距离。

管知识和用知识,想的不是同一件事

站在风险部的角度,建知识库时最关心的是什么?

制度有没有收齐,内容是不是准确,谁负责审核,什么时候更新,哪些人有权看。这些事情,都需要熟悉业务、掌握资料的人来负责。

但站在贷款预审批助手的角度,它关心的是另一组问题:

判断一笔业务,需要哪些条件?该参考哪些制度?办理流程是什么?有没有特殊情况?

它不会因为资料分属不同部门,就把一次业务判断拆成几次互不相干的回答。

一个客户经理要给客户解释贷款要求,他想知道的是这笔业务怎么办,而不是先研究银行内部哪个部门负责哪一份文件。

所以,企业知识管理里一直存在着两种不同的逻辑:

管的时候,按责任归属;用的时候,围绕具体的事。

过去靠人去跨部门找资料、问同事,这个矛盾还能被人的沟通能力补上。现在希望 AI 接手一部分工作,我们就得把这件事设计清楚。

如果改成按业务建库呢?

既然按部门建不方便使用,那干脆按业务建,行不行?

贷款预审批一个库,客户经理助手一个库,贷后管理一个库,合规检查再建一个库。每个应用需要什么,就把什么资料放进去。

但很快你就会发现,同一份制度,被放到了好几个地方。等制度调整了,风险部更新一遍,贷款助手那边要更新,客户经理助手那边也要更新。哪个地方忘了,就可能继续用旧内容。

再往后,每增加一个应用,都要找人重新整理一遍资料。做应用的人在忙着收集,管知识的人在忙着配合,却很难知道到底还有多少份副本在外面流转。

另一种办法,是在最开始就设计一套特别完整的分类,把部门、产品、业务、场景全考虑进去。可这又把一个很难的任务交给了知识管理员:你不仅要把今天的资料管好,还得提前猜到明年会出现哪些应用。

我觉得,这个要求有点为难人了。

业务是不断变化的。今天想做贷款预审批,明天想做营销活动助手,后天又要支持一个新的合规检查任务。

我们没必要在建知识库的第一天,就把未来所有用法都想完。

给知识两种组织方式

后来我们在AIS 里采用了“知识库+知识空间”的双层架构设计。

图:知识库+知识空间的双层架构设计。

名字听起来像是多加了一层,背后的想法其实很朴素。

  • 知识库:继续负责把知识管好,风险部维护授信规则,产品部维护产品资料,运营部维护办理流程。资料该由谁审核、什么时候更新、哪个版本有效,仍然有明确的责任人。

  • 知识空间:则围绕一件具体的事,把需要的知识组织起来。

还是贷款预审批的例子。业务负责人可以建立一个“贷款预审批”空间,再由相关人员在授权范围内,把适用的产品条件、授信规则、办理流程组织进来。

这些知识有各自的来源和维护责任,又能共同服务于一个业务主题。

这跟企业做项目很像。做一个项目,需要产品、技术、运营、法务共同参与。通常不需要先把这些人都调到同一个部门,而是围绕任务建立协作关系。

知识也可以这样。

同一份制度,可以服务贷款预审批,也可以服务客户经理助手。不同业务需要的组合不一样,但没必要因此反复建设整套知识底座。

我觉得这个设计最有意思的地方,是它改变了“谁来决定、什么时候决定”。

知识管理员负责把自己掌握的知识维护好。

等到业务真的发生,再由了解这件事的人,决定需要哪些知识、应该怎样组织。

不用让管知识的人提前猜所有用法,也不用让做应用的人每次从头整理。

当然,跨部门组合也有边界。把知识引入一个空间,需要相应的授权;加入空间,也不意味着能看到来源部门的全部资料。

协作要更方便,责任和权限也得清楚。

还有个容易忽略的问题:源头更新了,业务怎么办?

说到这里,有人可能会觉得,知识空间就是把几个库里的资料引用到一起。

如果只做到这一步,还不够。

真正用起来后,很快会遇到一个问题:源头的知识更新了,正在使用它的业务,要不要立刻跟着变?

直觉上,当然是越新越好,但实际业务里,得看情况。

查询今天的产品价格,需要使用当前生效的价格。价格已经调整了,还给客户报旧价,肯定有问题。

可如果是在复盘一个已经结束的项目,我们需要保留当时的合同、需求和技术规范。拿今天的版本替换掉历史依据,反而没法解释当时为什么那么做。

还有一些制度调整,带着生效日期和过渡安排。正在办理的业务适用哪一版,需要根据规则判断,不能只看哪个文件更新得晚。

因此,知识空间还需要明确自己与源知识之间的关系:是保留当时的副本,是固定一个版本并接收变更通知,还是跟随当前有效的最新版。

图:知识空间

这个选择背后,是业务对稳定性、时效性和追溯的不同要求。

这里当然不是让业务人员自行决定要不要遵守新制度。恰恰相反,是要把制度的适用范围、生效时间和切换责任落到具体业务里。

知识在源头更新了,哪些业务会受影响,谁要确认,什么时候切换,都应该有章可循。

这样,知识才算真正进入了业务,而不只是被放进了另一个文件夹。

建知识库,不必一次解决所有问题

这些年做企业知识库,我越来越觉得,很多建设上的纠结,是因为我们想让一套结构承担太多任务。

既要方便部门维护,又要适合各种业务使用;既要长期稳定,又要随时适应新应用。

最后,分类越分越细,目录越来越复杂,使用的人却还是不知道该去哪里找。

把管理和使用分成两个层次,事情反而容易理顺。

先让每份知识有明确的维护者,再让业务围绕自己的任务组织知识。底层相对稳定,上面的使用方式可以不断变化。

这个思路也不只适用于 Agent。

新员工培训、客户项目交付、营销活动准备,都需要跨部门组织资料。人需要这样的工作环境,AI 也需要。

这也是我们设计知识空间时最想解决的问题:让已经沉淀下来的知识,更容易进入正在发生的工作。

谁掌握知识,谁负责把它维护好;谁要把事情办成,谁来组织需要的知识。

至于企业知识库到底该按部门建,还是按业务建,我现在的答案是:给这两件事,各自合适的位置。

以往文章:

AI 坐上主驾驶位之后,企业真正要补的是什么?

一家大型企业有几十万份文档,究竟应该怎样交给AI?

RAG问答和Agent的区别和各自适合的应用场景你知道吗

为什么 AI 落地实施越来越像一项咨询工作?

你们的企业AI项目真的跑出真正的价值了吗?了解一下知识工程这个隐性共识

阅读原文

跳转微信打开

  •  

AI 坐上主驾驶位之后,企业真正要补的是什么?

原创 这个男人来自千祥 2026-10-26 10:24 浙江

当AI 坐上主驾驶位,企业需要为它准备一张可信的业务地图,也需要有能力不断更新这张地图。

最近看 Muse 这类 Personal Agent 的进展,再看看企业里正在发生的事情,我越来越有一个感觉:

界面看上去变化不大,工作的底层逻辑却已经开始变了。

屏幕上可能还是一个对话框。我们输入一句话,AI 给出一个结果。但以前,我们问它怎么做,然后自己去做;现在,在越来越多边界明确的任务里,我们开始把目标交给它,让它查资料、拆任务、调用工具、推进工作,再把结果和需要确认的地方交回来。比如,Meta对Muse 的官方介绍里,就已经把持续推进任务、跨应用工作,以及在需要批准时找人确认,作为产品的重要设计。

这让我想起前两周去深圳的一些交流。我听了华为专家关于荔枝种植本体应用的分享,也和一些处于技术前沿团队的老朋友们聊了不少实际进展。回来以后,一个判断变得更清楚了:

企业AI正在经历一条分水岭。差距,已经开始出现在企业怎样组织知识、表达业务、让AI承接工作这几件事上。

01|从“AI 帮我干”,到“我让 AI 去干”

过去,我们熟悉的工作方式是这样的:

人找资料,人判断下一步,人打开系统操作。AI帮忙写一段文字、总结一份报告,或者回答一个问题。

工作仍然是人一环一环往前推。

现在,一部分任务开始换一种组织方式:人先给目标,AI 自己组织执行过程。遇到信息缺失、规则冲突或者需要授权的动作,再回来找人。

拿银行的一笔业务申请来说。

过去,员工可能先问AI:“这项业务需要哪些材料?”得到答案以后,再自己逐项核对、查制度、找审核人。

再往前走一步,我们希望交给AI的任务会变成:“看一下这笔申请现在能不能受理,还缺什么,依据是什么,接下来应该交给谁。”

这时,AI要做的事情就多了:找到当前有效的制度,识别产品和客户类型,核对材料,发现缺口,整理受理建议,并说明判断依据。

人则更多负责确定目标、准备可信知识和规则、审核关键结果、处理例外。正式业务决定仍然遵循组织的授权与审批流程。

人越来越重要的工作,变成了让知识ready,让业务规则ready,让审核机制ready。

当然,人还要承担责任,也要持续改进这套工作方式,但我们介入工作的时间点和方式,确实在变。

图1:AI 越深入业务,对企业上下文的需求越高

从通用助手,到企业知识服务,再到业务任务协作,AI 对企业自身知识和业务定义的依赖不断增加。

02|我理解的 AI 原生,是工作开始围绕 AI 重新组织

“AI原生”这个词,最近被说得很多。

我的理解很朴素:当企业设计一项工作时,已经会先考虑哪些部分可以交给AI持续完成,再安排人的审核、授权和例外处理,这才开始接近AI原生。

AI从副驾驶走向主驾驶,驾驶路线、通行规则和必要的刹车机制,也要一起准备好。

这件事刚开始时,优势可能没有那么显眼。

也许只是某项材料核对少花了一些时间,某份服务建议少返工一次,某个新人少问了几次老员工。

但如果每次业务处理,都能留下经过确认的知识、明确的规则、可复用的业务关系和评测样本,下一次任务就有机会做得更稳。

一个场景积累的能力,还可能被另一个Agent使用。人员更替以后,经验也能继续留在组织里。

我认为,AI原生企业的优势会在这个过程中逐渐放大。前提是这些资产有人维护、经过验证,而且确实能在业务中复用。

时间拉长,两家都在使用相近模型的企业,可能会表现出完全不同的业务能力。

03|企业 AI 的阿喀琉斯之踵:它缺少你的上下文

不过,有了大模型,有了Agent,企业就能自动进入快车道吗?

还差很重要的一步。

通用模型可以知道很多行业知识,但它不会天然知道:你们公司的哪份制度已经废止,这个产品适用于哪类客户,这份材料由谁负责,出现例外应该怎么处理。

它更不会天然知道,眼前这笔业务现在处于什么状态,以及当前身份究竟允许它做到哪一步。

这些,都是企业上下文。

所以,AI越能干,我们越需要认真回答一个问题:我们到底给了它怎样的工作依据?

如果知识相互冲突,规则散落在多个部门,关键经验只存在于几个人脑子里,再强的Agent 也要不断猜、不断问,或者在人没有发现的地方走偏。

图2:企业资料与 Agent 所需之间,还有一段建设工作

企业已有资料,是起点;加工、治理和业务建模,决定了这些资料能否成为当前任务可用的上下文。

在TorchV,我们把这项建设分成相互配合的两部分:知识上下文和业务上下文。

知识上下文,让 AI拿到可信、有效、有出处的依据。

业务上下文,让 AI理解业务对象怎样关联,什么条件适用,下一步应该怎样推进,哪里必须停下来确认。

两者都可以服务人,也都可以服务Agent。到了复杂任务里,它们往往需要一起工作。

图3:知识上下文与业务上下文共同支撑企业任务

AIS KB 关注可信知识供给,AIS Ontology 面向业务语义建设。任务、身份、时间和权限,决定本次实际使用哪些上下文。

04|让知识 ready,是一件很繁琐、也很技术的活

做企业AI,最容易低估的,就是“把资料准备好”。

很多时候,大家觉得把文件上传,能够搜索问答,事情就差不多了。

但进到真实企业,你会发现:同一项制度有好几个版本,扫描件里的表格解析不完整,页眉页脚混进正文,不同部门对同一个术语有不同理解。还有权限、生效日期、敏感信息,以及长期没人维护的旧文档。

这些问题,会一路传递到AI的结果里。

所以,知识上下文的建设需要一整条持续运转的链路。

先接进来。 文档在协同平台、文件服务器、业务系统里,要能按实际需要接入和同步,更新之后也能跟得上。

再加工好。 解析复杂文档,清理噪声,保留表格语义,做分类、标注、字段抽取和规范化,再按要求完成校验与准入。

还要管得住。 谁是责任人,什么版本有效,适用范围是什么,谁能使用,什么时候复核,发现冲突由谁处理,都要有安排。

最后供得准。 面对当前任务,找到相关知识,带回来源、有效版本和必要的适用条件。信息不够时,也要能把缺口说清楚。

听起来很琐碎,对吧?

但当 AI 开始真正承接工作,这些琐碎就成了基础设施。尤其在银行和大型企业里,错误的有效日期、遗漏的适用条件,都可能让后面的判断失去依据。

而且这项工作需要业务部门参与。科技团队可以提供平台和机制,知识的业务含义、有效性和责任归属,还得由真正懂业务的人确认。

05|业务也要 ready:让 AI 看懂企业怎样运转

知识准备好以后,复杂任务还会遇到另一层问题。

AI能找到一段制度,不代表它已经掌握这笔业务应该怎样处理。

比如,“客户”“申请”“产品”“材料”“审核角色”分别是什么,它们怎样关联?某种客户申请某项产品,需要满足什么条件?材料不足时,应当补充、退回,还是转交特定角色?

这些关系和判断逻辑,需要被明确表达出来。

这就是我们重视Ontology,也就是业务本体的原因。

可以先把它理解成:为企业业务建立一套人与AI 可以共同理解、持续维护的表达方式。

把对象、属性、关系表达清楚,再把适用条件、规则、流程和允许的动作关联起来,Agent才有更明确的业务依据。

图4:同一组业务对象,可以用关系图和机器可处理的形式一致表达

图中是一个简化的业务对象实例。完整业务能力还需要规则、数据连接、验证和受控执行机制配合。(仅为示例)

用“企业业务的数字孪生”来理解,会更直观一些:把真实企业中的对象、关系、状态和运转逻辑,在数字世界中对应起来。

Palantir 的官方本体文档也采用了类似思路:连接真实业务与数字资产,并将对象、属性、关系以及动作等纳入其中。

但本体与完整数字孪生之间,还有工程工作要完成。模型里的定义要与真实业务数据对应,状态要从授权系统获取,操作要通过受控接口执行,关键约束也要有可验证的机制。

对我来说,这项建设最有价值的地方,是让企业的业务经验开始成为可以审核、更新、验证和复用的资产。

落地也可以从一项明确任务开始。先让一组对象、一套规则和一条处理路径跑起来,再逐步扩展。

06|深圳的荔枝案例,让这件事变得很具体

前两周在深圳,华为的田教授分享的荔枝病虫害防治案例,让我印象很深。

按我现场看到的材料,它把荔枝品种、物候期、天气、土壤状态和病虫害等信息,与农业专家的判断逻辑、后续防治安排联系起来,展示了“事实—事理—行动”的组织方式。

这和“问AI 一句荔枝怎么种”,已经是很不一样的任务了。

我从这个案例里看到的是:先把当前情况说清楚,再把专家判断依赖的条件表达清楚,最后才有依据讨论该采取什么行动。

这也解释了,为什么企业AI会走向业务本体。

拿我们熟悉的制造业售后场景来说,道理也很接近。一台设备报了故障,AI 需要知道具体型号、配置、组件关系、已知症状,以及某种处理方法成立的前提。

一段维修手册,是知识依据;型号、组件、故障、处理方法之间的关系,以及适用条件,则构成了业务上下文的重要部分。

TorchV 与某高端制造大厂“L”已有的合作,覆盖产品和售后知识库及应用。这样的知识基础,也让我们更清楚下一步要验证什么:怎样把技术依据与产品关系结合起来,支撑更完整的售后任务。

再结合这次和银行技术团队的交流,我对下半年企业AI 的一个感受更强烈了:有些团队已经在认真建设业务对象、规则、专家经验和执行之间的联系,并反复验证具体任务。

这是我从有限案例中看到的变化,还不能据此给整个行业排位。但它足够说明,企业AI的竞争已经开始向更深的业务基础延伸。

Personal Agent的进展很容易被看见;企业里的变化,很多发生在制度、数据、接口和日常操作之间,看起来没那么热闹。

一旦这些能力能够持续复用,差距就会慢慢显现。

07|TorchV 想做的,是把这段基础工作做好

这也是TorchV持续推进AIS的原因。

我们的方向是:通过知识工程、知识治理和业务本体建设,为企业Agent提供可信知识与明确业务逻辑,共同形成可用的企业上下文。

这条链路从企业分散的文档、数据和专家经验开始,经过接入、加工、准入、治理和业务建模,最终面向具体任务供应上下文。

上面的Agent,可以由TorchV提供,也可以是客户自己建设的,或者来自第三方。企业投入建设的知识和业务资产,应当能够持续服务自己的业务。

图6:从企业来源到上层 Agent,持续生产、治理和供应上下文

TorchV AIS的整体建设方向。图中包含目标架构与持续演进的能力,具体范围以实际版本和场景交付为准。

这件事需要产品,也需要和客户一起做。

选出真正值得做的任务,找到业务责任人,把知识和规则梳理清楚,接入必要的数据与工具,用相同任务建立评测基线,再通过实际结果改进。

先把一个场景做扎实,企业才知道知识缺在哪里、业务定义哪里有歧义、哪些环节可以交给AI、哪些环节需要人确认。陪跑和运营,要把这些问题一项项解决。

我相信,AI原生企业的竞争优势,会越来越多地体现在这种持续积累上。

模型还会继续进步,Agent也会越来越能干。与此同时,企业自己的知识、规则和业务经验,值得从现在开始认真准备。

当AI 坐上主驾驶位,企业需要为它准备一张可信的业务地图,也需要有能力不断更新这张地图。

TorchV|企业知识与业务上下文

以往文章:

一家大型企业有几十万份文档,究竟应该怎样交给AI?

为什么 AI 落地实施越来越像一项咨询工作?

你们的企业AI项目真的跑出真正的价值了吗?了解一下知识工程这个隐性共识

企业AGENT好不好用,关键不是模型,而是上下文

阅读原文

跳转微信打开

  •  

一家大型企业有几十万份文档,究竟应该怎样

这个男人来自千祥 2026-10-09 19:58 浙江

国庆前刚帮上海一家大型国企,把几十万份文档塞进知识库。客户问得特自然:“全导进去让AI直接用行不行?”

技术上当然行。可真干起来才发现,“导进去”反而是整件事里最容易的一步。

这些资料散在OA、ERP、企业微信和NAS里。同一份制度能冒出三个版本,AI该信哪个?正式文件和会议纪要说法打架,听谁的?

更麻烦的是格式。扫描PDF、几百页的制度、带合并单元格的Excel全混在一起。要是表格解析错了、长文被机械切断,后面再强的模型也只能对着碎片胡猜。

最吓人的是,AI找错文件比找不到还危险。它要是精准召回了一份过期的差旅标准,回答得头头是道,员工照着订票,这责任算谁的?

到了Agent时代,权限更是个大坑。员工没权限看薪酬,他调的Agent却可能顺藤摸瓜拼出完整报告。甚至还能直接写回知识库——谁允许它写的?写错了谁负责?

所以别光想着建更大的知识库。企业真正要搭的,是一条能持续供应可信知识的流水线。

跳转微信打开

  •  

一家大型企业有几十万份文档,究竟应该怎样交给AI?

原创 这个男人来自千祥 2026-10-09 08:18 浙江

国庆节前帮助上海一家大型国企客户完成了几十万份文档的入库,期间当然也出现过一些问题,把大量文档导入知识库并不是想象的那么简单。所以我想统一来回答一下最近几个月和大型企业交流 AI 项目的时候,经常会碰到一个看起来很简单的问题:

“我们公司已经积累了几十万份文档,能不能全部放进知识库,让AI直接使用?”

如果只是从技术上回答,当然可以。

现在无论文档解析、向量数据库、RAG还是大模型,都已经相当成熟。几十万份文档导进去,从存储和计算能力上来说,并不是什么特别困难的事情。但这两年做过越来越多大型企业的知识库项目以后,我反而越来越觉得:

“导进去”,可能恰恰是整件事情里最容易的一步。

因为几十万份文档放进去之后,真正麻烦的问题才刚刚开始。

这些文档都是有效的吗?比如常见的问题就有:

  • 同一份制度有三个版本,AI应该相信哪个?

  • 正式发布的制度和某次会议纪要里的说法不一样,哪个才是权威知识?

  • 一个员工原本没有权限查看的文件,他使用的Agent能不能看到?

  • 今天花几个月整理好的几十万份文档,半年以后又新增了几万份、修改了几万份,谁来保证AI拿到的还是正确的知识?

所以,当一家企业的知识从几百份、几千份增长到几十万甚至上百万份(我们的客户里面,最多的已经突破550万份文档)的时候,我觉得问题的性质已经完全变了。

企业真正要解决的是建立一套机制,持续把正确的知识,在正确的时间,以正确的权限交给AI。

换句话说,我们需要的可能不是一个更大的“AI知识库”,而是一条具备知识工程能力的,能够持续运转的企业知识供应链。

一、几十万份文档,首先不是“大”,而是“散”

很多人第一次听到“几十万份文档”,首先想到的是规模。

向量数据库能不能存得下?检索会不会变慢?

Embedding需要多久?需要多少服务器?

这些当然都是问题。

但我们实际进入大型企业以后,会发现另外一个问题往往更早出现:

这几十万份文档到底在哪里?

一家几十人、几百人的公司,可能把主要资料放在飞书、企业微信或者一个共享网盘里。

但是到了大型企业,完全不是这样。

  • OA里面有大量制度和流程文件;

  • ERP里面有采购、供应链和生产相关的数据;

  • CRM里面有客户和销售资料;

  • 企业微信/钉钉/飞书里又沉淀了一批文档和知识库;

  • 还有NAS、FTP、对象存储、数据库,以及大量已经运行了十几年甚至更久的业务系统。

集团型企业还会更复杂。

所以我们进入一个大型企业做知识库项目时,真正需要先搞清楚的,往往不是RAG怎么做,而是:

  • 企业的知识到底分布在哪里?

  • 哪些是权威来源?

  • 哪些还在持续更新?

  • 谁负责维护?

  • 访问权限怎么规定?

这也是为什么我现在越来越觉得,对于大型企业来说,“上传文件”其实是一个很容易让人产生误解的产品概念。

因为上传是一种一次性动作,今天把10万份文件上传完了,看起来任务完成了。

但一个月以后呢?OA里新增了3000份文件,钉盘里修改了500份,某个制度废止了,一个子公司的产品手册更新了。

如果这些变化不能持续进入AI,那么你在上线那一天建立的知识库,从第二天开始其实就已经在逐渐变旧。

所以,大型企业真正需要的不是:

“

Upload

而是:

“

Connect + Sync

不是把文件搬进来,而是把AI知识平台和企业原来的知识源连接起来,让知识能够持续流动。

这也是我们这段时间为什么越来越重视 Connector的开发。

企业微信、钉钉、飞书、OA、NAS、数据库、对象存储、各种业务系统……它们不应该只是项目上线之前进行一次“数据迁移”,而应该成为企业AI持续获取知识的来源。

AIS现在也在沿着这个方向建设,包括自动同步、定时增量、Webhook、失败重试,以及NAS、API、S3/OSS等不同接入方式。我觉得这里真正重要的并不是我们支持了多少个Connector,因为随着一个个项目地交付,Connector也会越来越多。

但这里真正重要的是背后的思路变了:

“

小型知识库解决的是“把文件放进来”。

企业级知识平台解决的是“让知识持续流进来”。

这两件事情看起来很像,实际上完全不是一个工程。

二、企业拥有的几十万份“知识”,很多其实只是几十万份“文件”

知识接进来以后,下一个问题可能更麻烦。

我们经常会说:

“这家企业有30万份知识。”

但如果真的打开这些所谓的“知识”,你会发现情况可能完全不是想象中的样子。

有的是扫描PDF,有的是几十年前留下来的Word,有的是三四百页的制度,有的是PPT,真正有价值的信息都在图里面。有的是Excel,而且一个工作簿里面十几个Sheet,各种合并单元格。有些PDF一半是文字,一半是扫描图片。有些文件页眉页脚占了很大比例。有些带水印。有些是同一个文件复制了七八份,只是文件名不同。有些文档完全没有标题结构。有些表格甚至人看起来都很费劲。还有音频、视频、图片、XMind,以及大量企业内部非常特殊的文档格式。

这时候一个很有意思的问题就出现了:

如果一个人打开这些资料都会觉得乱,我们为什么会认为,把它们全部丢给AI以后,它们就会自动变成高质量知识?

其实不会。

这也是我们这几年做企业AI知识库项目一个越来越深的感受:

大家很容易把注意力集中在“检索”上。

  • Embedding选哪个?

  • 向量数据库选哪个?

  • 还有很多很多...

这些当然重要。

但是很多问答效果的问题,根本不是发生在检索阶段。它可能在文件刚刚进入系统的时候,就已经发生了。比如一个表格解析错了,表头和数据的关系丢失了。一个PDF的章节结构没有识别出来,原本属于第三章的内容被错误地拼到了第二章。或者一个300页的制度被按照固定字符数机械切成几百块,原来完整的业务语义被切碎了。

后面再强的Embedding、Rerank和大模型,都只能在已经被破坏的知识上继续工作。所以我们后来把越来越多的精力放到了一个以前很容易被忽略的环节:

“

知识工程

图:知识工程

原始文件进来以后,不应该直接进入向量数据库,它应该先经过一个加工过程。

“

解析—清洗—结构化—切片—抽取—分类—打标签—校验

必要的时候还要经过人工审核,最后才是准入。

在AIS里,我们现在把知识校验、智能预标注、文本预处理、内容审核、知识抽取和知识准入都放在知识正式进入生产环境之前。这有点像工厂。原材料运到工厂门口,并不代表它已经可以直接装到最终产品上。它需要清洗、加工、质检。

知识也是一样。

所以我现在甚至觉得:

“

RAG的上限,很多时候不是由检索决定的,而是在知识进入RAG之前就已经决定了。

一个知识库里面如果本身充满了错误、残缺、重复、过期的知识,再好的检索算法也没有办法从根本上解决问题。

它最多只是更准确地找到那些有问题的知识。

三、真正危险的不是AI找不到,而是AI找到了错误的知识

这是我们在大型企业项目里越来越重视的另一个问题,知识库刚开始做的时候,大家最担心的是:

“资料明明有,AI为什么找不到?”

所以大家不断优化召回率。

但是系统真正进入生产以后,我觉得还有一种风险其实更加危险:

AI找到了。

而且找得非常准,但它找到的是一份已经失效的文件。

举一个非常简单的例子。

一家企业有一份2024年的差旅管理办法,2025年修改了一版,2026年又重新发布了一版。三个版本可能都还存在企业的文件系统里面。

现在员工问:

“我去北京出差,住宿标准是多少?”

如果RAG非常准确地召回了2024年的制度,然后大模型基于这份制度给出了一个非常完整、语言也非常自然的答案,这个答案到底算不算“准确”?

从RAG技术角度看,它可能非常准确。

文件找对了,内容引用对了,模型也没有幻觉。但是从企业业务角度看,它就是错的。而且这种错误比“没有找到答案”更加危险。

而版本只是其中一种情况,大型企业里面还会存在更多复杂的问题。

这个案例后来也让我对“企业知识”有了更多理解。

一份文件的正文,只是知识的一部分。

它的来源是谁?哪个部门发布?什么时间生效?现在是否有效?适用于什么范围?谁是Owner?有没有更高优先级的知识?

这些东西同样是知识的一部分,甚至在企业场景里面,它们有时候比正文还重要。

所以,当企业有几十万份文档以后,我们真正要管理的,其实已经不是几十万个文件。

而是几十万个带着来源、版本、权限、状态、责任和业务语义的知识对象。

这也是为什么我觉得,企业AI做到一定规模以后,知识治理一定会变成一个绕不开的问题。

四、还有一个问题,到了Agent时代会突然变得很严重:它到底能看什么?

以前做企业知识库,权限问题其实就已经很重要,但是进入Agent以后,我觉得这个问题会被进一步放大。

举一个很简单的场景。

员工A没有权限查看公司的薪酬数据,这件事情大家都很好理解,但现在员工A不是自己去知识库搜索。

他告诉一个Agent:

“帮我分析一下公司最近的人力成本变化,然后写一份报告。”

Agent开始自主执行任务。它可能先拆解任务,然后搜索知识库,再查询数据库,再读取几份文件,最后把这些信息组合起来生成报告。

那么问题来了:

这个Agent到底是谁?它应该拥有什么权限(穿透还是不穿透)?是Agent自己的权限?是员工A的权限?还是这个业务应用被预先配置好的权限?

如果Agent调用了三个不同系统,而这三个系统的权限模型又不一样,该怎么办?这已经不是传统知识库里“这个用户能不能打开这个文件”那么简单了。更麻烦的是,Agent不仅会读,它还可能会写。

比如一个Agent分析完售后问题以后,把新的维修经验写回知识库。另一个Agent生成了一份制度草稿,然后提交审核。还有Agent可能自动修改某些知识标签,或者触发一个知识治理任务。

这时候就又会出现新的问题:

谁允许它写?写进去以后是不是直接生效?需不需要审核?出了问题以后能不能知道是哪一个Agent、代表哪一个用户、在什么任务里修改的?

所以我觉得,Agent时代的权限模型需要比传统知识库再往前走一步。

它至少要回答:

“

这个Agent代表谁?

它现在在执行什么任务?

它被允许获取什么上下文?

它可以执行哪些动作?

整个过程能不能被审计?

我比较喜欢用一句话来概括:

“

Agent获得的企业上下文,不应该取决于“它能找到什么”,而应该取决于“它代表谁、正在做什么、被允许知道什么”。

这也是为什么我们现在在AIS里越来越强调“检索前权限过滤”。不是先把所有内容召回来,再看看哪些不能给用户看。而是在检索发生之前,就根据用户、组织、知识库和文档权限确定它到底能够进入哪个知识范围。

同时,Agent通过Skill、MCP或者API访问AIS的时候,也需要有不同的权限边界。现在我们的MCP已经区分readonly、write和admin等不同等级。系统里面的操作、问答、引用、配置变化以及完整执行链路也需要能够留下记录。

因为当Agent只是回答一个问题的时候,错误的代价可能只是一句话答错。但当Agent真正开始参与企业业务、调用工具甚至执行动作以后,权限错误带来的就可能是真正的业务风险。

这也是为什么我一直觉得:

“

企业Agent和个人Agent,其实是两个非常不同的问题。

个人使用AI的时候,可以把自己的资料全部交给它,但企业不行,企业的知识从来都是有边界的。

五、还有一个经常被低估的问题:今天整理好了,半年以后怎么办?

假设前面的问题全部解决了,企业花了几个月时间把几十万份文件全部梳理完成。知识源接好了,文档解析好了,重复文件清掉了,版本理顺了,权限也配置好了,然后经过几轮测试,准确率也达到要求。

项目正式上线,是不是终于可以松一口气了?

我这两年越来越强烈的一个感受是:

“

企业级AI知识库真正困难的部分,很多时候是从上线以后才开始的。

因为企业不是静止的,假设上线的时候有30万份知识,半年以后可能新增了3万份,修改了2万份,几百份制度发生变化。我们现在文档最多的一个客户已经超过了550万份。

另外,一批产品下线,一批新产品发布,有人调岗,有人离职,部门组织架构调整,业务流程变化,新的监管政策出台。你看看这些都是问题。

与此同时,AI自己也在产生新的问题。

所以一个企业AI系统的效果,不可能靠上线前那一次“知识整理”永久保持。这也是我们为什么越来越重视知识运营。

以前做传统软件项目,大家习惯一个思路:

开发 → 测试 → 验收 → 上线。

项目上线,意味着建设阶段基本结束,但是AI知识系统不是这样。我甚至觉得它更像一个长期运行的业务系统:上线只是开始。

比如用户问了一个问题,AI回答错了。以前我们可能只是记录一个“点踩”。

但现在我们会继续追为什么错:

  • 是没有理解用户的业务表达?

  • 是知识根本不存在?

  • 还是知识存在,但是已经过期?

  • 是两份知识发生了冲突?

  • 还是检索召回错了?

  • 又或者因为权限和合规要求,系统不能回答?

不同原因,后面的处理动作完全不同。然后重新审核,重新入库。

然后拿原来的问题再测一次。确认问题真的解决了以后,才关闭这个任务。

于是一个原来很简单的:

“

用户点踩

慢慢变成了一条:

“

问题反馈 → AI归因 → 责任人处理 → 知识更新 → 审核 → 回归验证

的闭环。AIS目前也在按照这条路径持续完善。

我们最近在给大型银行做知识库运营管理规范的时候,也越来越清楚地看到这一点。当知识规模足够大以后,不可能靠某一个管理员“有空的时候整理一下”,它需要真正的运营机制。关于运营管理规范会单独写一篇文章,这里就不展开了。

企业知识库真正的质量,不应该看上线那一天有多准,而应该看运行一年以后还能不能保持可信。

如果一个知识库上线的时候95分,一年以后因为大量过期、冲突和无人维护的知识只剩70分,那么上线时的95分其实没有太大意义。

企业需要的不是一次高分,而是一套让它长期维持高质量的机制。

六、所以,几十万份文档究竟应该怎样交给AI?

写到这里,我们可以重新回到文章最开始的问题。

一家大型企业有几十万份文档,到底应该怎么交给AI?

如果是两年前,我可能会比较自然地回答:

“

建一个企业级AI知识库。

但今天我越来越觉得,这个答案还不够,因为“知识库”这个词太容易让人想到一个容器。

而AI时代发生了一个很大的变化:

“

知识开始真正进入生产过程。

过去员工自己搜索一份制度,看完以后做判断;现在Agent会自动获取制度,然后基于制度完成下一步任务。

过去工程师自己找到维修手册,再决定怎么处理设备;现在Agent可能会读取手册、历史维修案例、设备状态,然后直接给出诊断建议。

过去研究人员自己找十几份报告进行分析;未来Agent可能自主搜索、比较、推理,然后生成研究结果。

所以知识不再只是“被人阅读”,它开始成为AI执行任务时实时消耗的一种生产资料。

这时候,企业真正需要的东西其实更像一条供应链。

我把它简单画成这样:

图:企业知识供应链

我现在很喜欢用“企业知识供应链”这个词来理解这件事情。

因为它和现实世界的供应链其实很像,企业的各种系统和文件,是原材料来源,Connector负责把原材料持续送进来,知识工程负责加工,知识准入相当于质检。权限、版本、知识健康和生命周期管理负责保证整个供应体系的质量和安全,RAG、API、Skill、MCP负责把最终可用的知识送到需要它的AI和Agent手里,而用户反馈、评测和业务结果,又不断反向告诉这条供应链:哪里出了问题,哪里需要改进。所以:

大型企业真正需要建设的,不是一个存放几十万份文档的“AI仓库”,而是一条能够持续向AI供应可信知识的“企业知识供应链”。

这个区别,我觉得非常重要。

仓库关心的是:

“

我有多少东西。

供应链关心的是:

“

正确的东西,能不能在正确的时间,到达正确的地方。

这可能也是企业知识库进入Agent时代以后,一个非常重要的变化。

七、文件不是知识,知识也不是上下文

如果再往前走一步,我觉得还有一个概念需要区分。

“

文件、知识和上下文,其实是三件不同的事情。

一个PDF,是文件。

经过解析、清洗、结构化、版本确认、权限确认以后,它才逐渐变成可以被企业使用的可信知识。

但是即使变成了可信知识,也不代表应该把它全部塞给大模型。因为一个Agent在完成具体任务的时候,只需要其中和当前任务相关的那一部分。

比如一个售后Agent处理某台设备故障。

它需要的可能是:

  • 这台设备的型号;

  • 当前故障码;

  • 对应版本的维修手册;

  • 过去三个月相似故障的维修案例;

  • 客户当前的维保状态;

  • 以及公司规定的处理流程。

企业可能有100万份知识,但是这个Agent此时真正需要的上下文,也许只有其中几十条。

所以企业AI真正需要解决的最后一道题,不是:

“

“我们有多少知识?”

而是:

“

“面对当前这个人、这个任务、这个时间点,AI究竟应该获得什么?”

我觉得这才是企业上下文真正有意思的地方,它不是把企业所有资料都塞进Prompt。而是在一个具体任务发生的时候,从庞大的企业知识和业务数据中,动态找到最合适、最可信、当前用户又有权使用的那一部分,然后交给AI。

所以我们过去一直讲RAG,现在开始讲Agent,但再往后,我认为越来越多企业最终会发现:

“

RAG和Agent中间,其实还需要一个很重要的层——企业上下文层。

它向下连接企业的文档、数据库、业务系统和知识资产。向上服务各种RAG应用、Agent和未来不断出现的AI应用。

它负责的不只是“搜索”,还包括来源、版本、权限、质量、语义、生命周期和可追溯性。

这也是为什么我一直认为:

“

模型越来越强,并不会让企业知识基础设施变得不重要。

恰恰相反。

“

模型越强,Agent能做的事情越多,企业就越需要保证它拿到的上下文是可信的。

否则一个能力很弱的AI拿到错误知识,可能只是答错一个问题。一个能力很强、又可以自主执行任务的Agent拿到错误知识,反而可能把错误放大成一个真实的业务动作。

八、回头看AIS这几年的变化,其实也是被这些问题一步步推着走过来的

TorchV刚开始做企业AI知识库的时候,我们关注最多的,其实也是RAG。

怎么解析得更好?怎么切片?怎么提高召回?怎么让答案更准确?怎么引用原文?

这些问题直到今天依然非常重要。但随着接触的客户越来越大,进入银行、大型集团、制造企业、专业服务机构以后,我们发现问题开始不断往外扩。

客户会问:

  • 企业微信、钉钉、NAS里的资料怎么自动进来?

  • 扫描PDF和复杂表格怎么办?

  • 一份知识有多个版本怎么办?

  • 两个部门知识冲突怎么办?

  • 知识过期了怎么发现?

  • 不同部门权限怎么继承?

  • Agent怎么使用这些知识?

  • 出了错误以后怎么知道是知识问题、检索问题还是模型问题?

  • 系统上线以后谁来持续运营?

于是AIS也被这些问题一步一步推着往前走。

从最早关注RAG,到知识接入。从知识接入,到知识工程。从知识工程,到知识治理。再到知识健康、生命周期、反馈评测,以及现在我们越来越关注的Agent上下文供给。

所以今天我们把TorchV AIS定义为:

“

企业级AI知识引擎,而且正在往知识中台的路上狂飙。

它现在覆盖的也已经不是一个单独的问答链路,而是知识接入、知识工程、知识治理、知识应用和反馈优化这样一条完整链路。

但如果抛开产品名字,我觉得我们真正想解决的问题其实一直没有变:

“

怎样让企业自己的知识,可以被AI长期、安全、准确地使用。

这也是为什么我们现在越来越少把AIS仅仅理解成一个“RAG知识库”。

我们更希望它成为:

“

大模型和Agent使用企业知识之前的那一层基础设施。

向下,把散落在企业各处的知识接进来。中间,把它加工好、治理好、持续维护好。向上,再通过检索、API、Skill、MCP等方式,把可信的企业上下文提供给各种AI应用和Agent。最终企业不需要为每一个Agent重新建设一套知识库。

同一套经过治理的企业知识,可以成为越来越多AI应用共同使用的底座。这也是我们现在对AIS的定位:

“

让企业知识成为大模型与Agent可靠使用的上下文。

最后

回到文章开头那个问题。

如果现在再有一家大型企业问我:

“我们公司有几十万份文档,能不能全部交给AI?”

我的答案依然是:

当然可以。

但我可能会紧接着问一句:

“然后呢?”

  • 谁告诉AI哪些知识是对的?哪个版本有效?

  • 谁决定什么人可以看到什么?谁负责这些知识持续更新?

  • 半年以后,怎么保证今天这几十万份知识仍然可信?

如果这些问题没有答案,那么把几十万份文件导进向量数据库,只是完成了一次规模很大的文件搬家。

它还没有真正变成企业AI可以长期依赖的知识基础设施。

所以我现在越来越相信:

AI时代的企业知识建设,最终不会只是建设一个越来越大的知识库。

而是需要为企业建立一条新的供应链,过去企业有资金供应链、人才供应链、数据供应链,未来可能还会有一条越来越重要的:

“

企业知识供应链。

它持续连接企业内部正在发生的一切知识变化,把原始资料加工成可信知识,再根据身份、权限、任务和场景,把正确的上下文交给AI。而AI在业务中发现的问题,又不断回到这条供应链,推动知识继续更新。

这条链路一旦真正建立起来,企业积累几十年的制度、经验、产品资料、项目案例和专业判断,才不再只是躺在文件服务器里的历史资料。它们会开始真正进入每一次AI推理、每一个Agent任务和越来越多的业务流程。

我觉得这才是“把企业知识交给AI”真正的含义。

最近我们也在和银行、大型集团、制造企业以及专业服务机构不断讨论类似的问题,大家的知识规模、IT环境和组织方式差别很大,但最后碰到的问题却越来越相似:知识在哪里?怎么接?怎么加工?谁负责?哪个版本有效?AI能看什么?怎么保证半年、一年以后仍然可信?

如果你的企业也已经积累了大量文档,正在考虑怎么把这些知识真正交给大模型和Agent,我也很愿意交流。

不一定先聊产品。我们可以先把一件事情做清楚:把你们企业的“知识如何流向AI”画成一张图。

很多时候,这张图真正画完以后,你会发现:企业AI的知识问题到底卡在哪里,其实已经清楚了一半。

阅读原文

跳转微信打开

  •  

RAG问答和Agent的区别和各自适合的应用场景

这个男人来自千祥 2026-09-15 09:17 浙江

上周跟朋友聊企业 AI 落地,发现市场上把知识问答和 Agent 彻底搞混了。

其实这俩完全是两码事。知识问答就是“问啥答啥”,比如查差旅标准,靠 RAG 外挂个企业知识库就能搞定。Agent 则是“给定目标自己干”,你让它规划三日游加订酒店,它能自己拆解任务、调 API 下单。

技术上 Agent 也复杂得多,它不光依赖 RAG 拿数据,还得在 ReAct 循环里不断反思自检,甚至开沙箱写代码去生成 Word。

今年超级 Agent 越来越火,大厂都在推办公入口。但真没必要啥活儿都塞给它。要是用 Agent 去查个规章制度,动辄几分钟、消耗千万级 tokens,纯属浪费钱和时间。这种活儿还是老老实实用 RAG,十几秒又快又准。

企业 AI 落地不是越高级越好,得看场景挑工具。

跳转微信打开

  •  

RAG问答和Agent的区别和各自适合的应用场景你知道吗

原创 这个男人来自千祥 2026-09-15 08:30 浙江

上周和一个朋友在聊企业AI落地的问题,聊到一个非常有意思的观点:市场上已经把知识问答和Agent混淆了,但它们其实各有各的使用场景。

1.  两者的定义和区别

这里首先需要说明这两者是什么,因为现在大家对于AI行业的名次理解都不太一样,这点在和许多客户交流的时候就发现了,所以在继续写下去之前我必须先给出我自己的定义,但需要申明的是,这只是我自己的定义,不是行业标准。

  • 知识问答:本质上是“问什么,答什么”——它是一个被动的信息检索与生成过程。你给一个问题,它基于大模型训练数据或检索知识库召回内容,给出一个答案。比如你问“杭州有哪些著名的景点”,它直接列出西湖、灵隐寺等,任务就结束了。它的边界是:回答的准确性、覆盖面和时效性。

  • Agent(智能体):其实我们一般说的智能体就是Agent,而不是智能问答。本质上是“给定目标,自主完成”——它是一个主动的规划与执行系统。你给它一个目标,比如“帮我规划一次杭州三日游并订好酒店”,它会自己拆解任务:先查景点、再比价、然后调用订票API、最后确认预订。它具备几个关键能力:规划、记忆、工具调用、反思与迭代。它的边界是:能否在动态环境中可靠地达成目标。

如果要把两者的维度再增加一些,可以用下面这个表格来看它们之间的区别:

维度

知识问答

Agent

交互模式

单轮或多轮问答

目标规划、自主执行

核心能力

检索召回 + 生成

规划 + 工具调用 + 执行

是否改变环境

否

是(发邮件、下单、写文件等)

执行速度

几秒~几十秒

几分钟,复杂任务往往需要几十分钟

典型例子

搜索引擎问答、RAG问答

CodeX、Claude Code、WorkBuddy等

Tokens消耗

平均几千tokens

简单任务几万tokens,复杂任务千万级tokens

应用场景

知识(答案)获取

Coding、执行复杂任务、编辑改写文档等

从上面的这些分析,我们可以明显看到知识问答和Agent之间的区别。

2. 它们之间的技术架构区别

如果从技术架构上来说,两者也是完全不同的。

知识问答目前来说基本上是两种,一种是直接对大模型进行问答获取答案,还有一种是通过RAG(检索增强生成)来获得答案。在企业场景中,RAG就是主流,因为大模型本身并不知道企业内部的制度、合同、流程等,也不知道你们超过10万元的采购是需要总经理签批的。所以RAG这种外挂企业知识库的技术架构反而成为了目前企业用户获得答案的不二路径。

图:RAG的技术架构

Agent(智能体)的技术架构就要复杂的多,在很多时候,它也会去依赖RAG给的结果,或者通过MCP、Skill(内置CLI命令)去获取企业知识和数据,然后通过ReAct + Reflection等形式在循环中加入自我反思,让模型评估上一步是否有效。在过程中还会调用工具和记忆等去修正结果。简单点来说就是去理解用户的需求,然后不断去循环,在循环中调用工具和上下文,加上自检,不断接近用户需要的结果,再输出。

它可以完成很多知识问答无法做到的事情,就像我们前面说的写代码、修改文档,以及帮你订机票(理论上没问题)。而且目前在很多实际使用中,Agent往往会去开启沙箱,然后在里面使用python等脚本语言去编写一个临时程序来完成你要的结果,比如调用LibreOffice生成一份Word文档等。

图:Agent的技术架构

所以Agent比RAG其实要更加强大。

3. 你应该如何更加合理去使用它们

图:让合适的工具在合适的场景中发挥最大价值

如果在2026年之前,我可以非常确定地说绝大部分企业AI应用场景都是知识问答。但是今年确实有些不一样...

一方面是随着Claude Code、CodeX等超级Agent的普及,从原来程序员的专属变成了它们也被用于日常的报告编写、文档整理、合同生成、报价方案生成和PPT快速生成等工作中。Agent确实已经被开始用起来了。

另一方面是WorkBuddy、千问办公、豆包工作等的地毯式广告轰炸,办公入口的卡位战从原来的企业微信、飞书和钉钉转移到了Agent的战争。它们可以完成写作、出图、PPT、数据分析等日常办公任务,也提供了很多行业Skill让用途越来越多。

但,我想说的是,你依然需要去合理使用工具。

企业用户对于答案获取的需求依然还是很大的,特别对于大型企业来说,获取正确的知识本身就是一件日常办公中最常见的工作。如果我们使用Agent去获取知识,那么高昂的tokens消耗和动辄几分钟到十几分钟的执行时间反而是一种经济成本和时间成本的浪费。这些事情本来是通过知识问答用极少量tokens和十几秒钟就可以完成的。

所以,在企业AI落地中,应该结合两者的特点去合理使用,而不是越高级越好。

比如获取知识,其实应该更多使用知识问答,而且对于注重知识维护和治理的企业来说,往往是可以获得既快速又经济且准确的答案的。而对于一些复杂任务,则可以使用Agent去完成。而不是所有的任务都给知识问答去完成,或者所有任务都给Agent去完成。

4. 最后

对于目前的大模型公司,或者很多模型+Agent一体的大厂来说,token应该是继云服务之后最合适的新型“水电”一样的生意,所以推崇Agent的普及无可厚非。而且确实也能反向促进大模型的继续研发,至少在目前从英伟达开始的这门生意的角度来说。

但是企业在实际应用中还是可以合理去使用知识问答和Agent,用于不同的使用场景。

对于AI行业人士来说RAG问答和Agent的区别早就门清,所以这篇文章更像是对一些非AI行业的企业管理写的文章。有感而发,除了图是AI生成的,其他都是手写的。

最后说一句,我们TorchV AIS企业级AI知识引擎今年的主要功能升级,除了知识工程之外就是对Agent的支持,也在积极拥抱Agent。

以往好文:

为什么 AI 落地实施越来越像一项咨询工作?

你们的企业AI项目真的跑出真正的价值了吗?了解一下知识工程这个隐性共识

企业AI落地需要的不是一个知识库,而是一台“知识引擎”

阅读原文

跳转微信打开

  •  

为什么 AI 落地实施越来越像一项咨询工作?

原创 这个男人来自千祥 2026-09-08 08:15 浙江

导读:AI项目先找准价值,再用运营和软件持续实现价值。

今年做 AI 项目,我越来越明显地感觉到:AI落地实施正在变得越来越像一项咨询工作。

这并不是说,实施团队以后不用做产品、不用写代码了;也不是说,只要多开几次会、多写几份报告,就算是做了咨询。

真正的变化是,过去很多信息化项目的起点,是客户已经比较清楚自己要什么,项目团队需要解决的主要问题,是怎么把这些需求做成系统。现在不少AI项目的起点,却只是一个比 较大的方向:建设企业级 AI 平台、建设知识库、做智能问答、做智能体,或者让大模型帮助某个部门提效。

方向通常没有错,但距离一个真正可建设、可使用、可验收的项目,还差得很远。

所以,项目前半程最重要的事情,正在从“确认功能”变成“和客户一起发现价值”:到底要解决谁的什么问题,AI在其中能发挥什么作用,哪些事情不能交给AI,以及怎样把一个听起来不错的想法,变成一套真正可行的建设方案。

可以复制的是经验,不是答案

不同客户之间当然有很多经验可以复制。

比如做企业知识库时,知识接入、文档解析、切分、检索、问答、权限和反馈,这些能力在很多项目中都会出现。做客服、制度查询、研发助手、营销支持,也会逐渐沉淀出一些典型场景和实施路径。

但我越来越觉得,可以复制的是方法和经验,不能直接复制的是项目答案。

同样叫“制度问答”,在不同企业里可能完全不是同一件事。有的企业主要关心的问答准确率的问题,有的企业更关心文档版本是否正确,有的企业要解决的是多步骤的任务型Agent要解决的事情;还有的企业最看重权限、引用依据和回答风险。

表面看都是一个知识问答系统,背后的业务价值、知识来源、责任部门、权限边界和验收标准却完全不同。如果把上一个客户的方案改改名字就拿过来,功能也许能上线,但项目价值很可能落不了地。

因此,客户现场的认真调研仍然不可替代。项目团队不能只问“需要哪些功能”,还要去看实际工作是怎么完成的:谁在什么环节遇到了问题,现在靠什么方式处理,一次要花多长时间,什么情况下容易出错,出了问题由谁负责,最终结果又由谁判断。

这些内容,很多时候并不会天然出现在一份需求清单里。它们需要在访谈、观察、材料分析和多轮讨论中,一点点提炼出来。

AI 项目的总体设计,首先要回答价值问题

传统信息系统已经形成了相对稳定的讨论框架。业务流程、用户角色、功能模块、数据结构、系统接口、非功能指标,通常都有比较明确的分析方法。只要业务边界相对清楚,需求分析和总体设计就能够沿着这些框架逐步展开。

AI 项目则多了一层不确定性。

一方面,大模型能力升级很快,半年前需要专门开发的能力,今天可能已经成为模型或平台的标准能力;另一方面,新的工程方法也在不断出现,知识库、RAG、智能体、工具调用、多模态和上下文工程都在快速变化。我们很难像建设传统信息系统一样,拿出一套几年不变的固定套路。

更重要的是,AI能做什么,并不等于客户应该建设什么。

客户说“想做一个知识库”,我们还需要继续追问:是为了缩短信息查找时间,降低新人培养成本,减少制度解释偏差,还是让某个智能体获得可靠的企业知识?这些目标看起来接近,最后决定的建设重点却并不一样。

所以现在编写软件需求和总体设计,除了原来的功能、接口、性能和安全等内容,还会有以下几类问题:

  1. 这个场景具体服务谁,解决哪个工作环节的问题?

  2. 现有方式的成本、效率和风险是什么,改进基线在哪里?

  3. 哪些工作适合交给 AI,哪些仍然需要规则、原有系统或人工判断?

  4. 项目需要哪些数据、知识、权限、责任人和配套流程?

  5. 上线以后用什么指标证明有效,又怎样持续迭代?

说得直白一点,以前的总体设计主要回答“系统怎么建”,现在还必须先回答“为什么建、先建什么、怎样证明值得继续建”。

这就是它越来越像咨询工作的原因:不是只替客户记录需求,而是要在建设目标的大框架下,与客户共同提炼价值点,判断约束条件,再把价值点变成可实施、可验收的方案。

像咨询,并不意味着没有方法可循

AI项目存在不确定性,不代表每个项目都只能临场发挥。恰恰相反,越是不确定,越需要稳定的方法作为抓手。

企业级AI知识库就是一个很典型的例子。

早期大家比较关注的是软件能力:支持多少种文件、文档怎么切分、向量库怎么选、召回率怎么样。这些当然重要,但随着知识范围扩大、使用部门增加、业务场景变多,项目的主要矛盾会逐渐从“系统能不能找到知识”,转向“系统里到底应该有什么知识”。

我们在梳理AIS知识库运营管理方法时,总结过一句话:技术决定能力上限,运营决定长期价值。

如果知识本身已经过期、冲突、缺失,或者没有清晰的权限和责任人,再强的检索能力,找到的也只能是混乱。一个企业级知识库要长期有效,至少要同时解决三件事:

  • 知识生命周期:知识怎样产生、加工、准入、使用、反馈、更新和退出;

  • 知识质量:怎样保证准确、完整、一致、及时、可用;

  • 知识价值:知识服务什么场景,是否真正被使用,是否带来了业务改善。

这里面很多问题,本质上不是一个软件按钮的问题,而是管理问题。

图:企业级知识库需要关心的三个重要组成部分。

例如,接入一个文件目录并不等于完成了知识接入。真正需要确定的是:这批知识来自哪里,归哪个部门负责,具体责任人是谁,多长时间更新一次,属于什么权限等级。如果这些问题没有回答清楚,接入得越快,后面的治理成本可能越高。

再比如,知识上线也不应该只是“上传成功”。什么知识允许进入正式知识库,何时生效,由谁审核,适用于哪些对象,为什么值得纳入,都需要有明确规则。知识投入使用以后,还要把用户反馈变成新的生产入口:发现问题、定位原因、分派责任、修改审核、重新验证,最终形成闭环。

所以,企业知识库并不是一次性的资料整理工程,更像是一套持续运行的知识生产和经营体系。

软件的比重在变化,但软件并没有变得不重要

在AI项目的价值构成中,单纯“把功能做出来”的比重确实在下降,运营管理工作的比重正在上升。在我们的一些客户项目中,知识库运营管理方法甚至已经成为方案的核心。

图:不同应用场景对应的不同运营比重。

但这不意味着软件可以退居其次。更准确地说,软件功能会越来越细,越来越贴近管理动作,为运营方法服务。

知识接入功能,不只是把文件搬进来,还要记录来源、责任和更新机制;知识工程,不只是解析和切分,还要完成清洗、脱敏、标准化、标注和质量检查;知识治理,需要把权限、版本、有效期、健康度和变更影响落实到系统中;知识使用,也不能停留在问答页面,还要支持引用溯源、问题反馈、效果评测和场景分析。

从这个角度看,产品不是知识运营本身,而是制度、组织、流程和责任的数字化执行载体。

没有运营方法,软件容易变成一个功能很多但没人持续维护的资料仓库;没有合适的软件,运营又会依赖表格、人工提醒和少数人的责任心,很难规模化,也很难度量。

准确、稳定和好用,仍然是软件的基本功

还有一个容易产生的误解是:既然项目更像咨询,运营又越来越重要,那么软件本身是不是就没有那么重要了?

我的看法正好相反。

图:软件在不断内化运营管理方法。

越是要承载企业级的制度、流程和责任,软件的准确性、稳定性和交互友好度就越重要。

准确性不只是模型回答得像不像,还包括文档是否解析正确、表格和段落有没有丢失、检索结果是否引用了正确版本、权限是否被严格执行、高风险问题是否能够拒答或转人工。

稳定性也不只是页面能不能打开。知识同步失败能不能发现,处理任务能不能重试,版本能不能回溯,系统升级会不会影响已有知识和应用,这些都会直接影响客户是否敢于长期使用。

交互友好则决定运营方法能不能真正落地。业务人员是否容易完成审核和发布,知识责任人能否快速找到待处理问题,普通用户能否看懂回答依据并方便反馈,这些看似是产品细节,实际上决定了一套管理制度的执行成本。

好的咨询和运营方法,不能替代扎实的软件工程;好的软件,也不能替代对业务价值和运营机制的理解。三者不是谁取代谁,而是分工不同:

  • 咨询分析决定做什么、为什么做;

  • 运营管理保证知识和场景持续有效;

  • 软件产品让这些方法可执行、可规模化、可度量。

最后

AI项目实施越来越像咨询,背后反映的其实是项目交付目标发生了变化。

客户需要的,不再只是一个按需求清单开发完成的系统,而是一套能够把 AI 能力转化为业务价值的办法。项目团队既要理解模型和软件,也要理解业务、组织和管理;既要能够设计系统,也要能够和客户一起识别问题、判断优先级、建立评测标准,并考虑上线以后的持续运营。

这会让项目前半程看起来更“慢”一些,因为需要花更多时间调研、讨论和验证。但如果价值点没有找准,后面的开发越快,可能只是越快地做出一个不被真正使用的系统。

真正成熟的AI项目,不是上线一个会回答问题的产品,而是与客户一起建立一套持续发现价值、生产高质量知识、验证效果并迭代应用的能力。

从这个意义上说,AI落地既是一项咨询工作,也是一项运营工作,最后还必须由可靠、稳定、好用的软件把它真正承载起来。


如果您对我们的AIS感兴趣,可以点击左下角的“阅读原文”找到我们。

往期文章:

WorkBuddy、豆包工作、千问办公开战—企业AI的机会反而更清楚了

你们的企业AI项目真的跑出真正的价值了吗?了解一下知识工程这个隐性共识

企业AI落地需要的不是一个知识库,而是一台“知识引擎”

企业AGENT好不好用,关键不是模型,而是上下文

阅读原文

跳转微信打开

  •  

WorkBuddy、豆包工作、千问办公开战—企业AI的机会反而更清楚了

原创 这个男人来自千祥 2026-08-31 08:00 四川

AI 办公正在成为巨头的新战场。但让一个员工更快完成文档,不等于让一家企业更高效地运转。个人工作入口之外,企业知识、流程、权限与协同,正在形成更大也更难的市场。

“

导读:AI 办公正在成为巨头的新战场。但让一个员工更快完成文档,不等于让一家企业更高效地运转。个人工作入口之外,企业知识、流程、权限与协同,正在形成更大也更难的市场。

大厂的AI办公之战已经开启

2026下半年的AI 办公市场,突然变得拥挤起来。

腾讯持续升级WorkBuddy,并推出企业版AI工作台;阿里将多条产品线整合为千问办公,随后深度接入钉钉;字节跳动正式发布豆包工作,与飞书打通;钉钉自身也在把越来越多的组织能力变成可被 AI 调用的工具。

这些动作不是普通的产品更新。大厂正在收拢内部赛马的团队与产品,把大模型、办公软件、企业协作平台和云服务推到同一张牌桌上。AI 办公的竞争,已经从“给软件加一个对话框”,进入“由Agent 接收目标、拆解任务、调用工具并交付结果”的阶段。

这当然是一件好事。

过去两年,企业讨论AI时经常陷入两个极端:一边把大模型当成万能答案,另一边因为几个效果不稳定的 Demo,认定AI离生产环境还很远。WorkBuddy、豆包工作、千问办公等产品的大规模进入,会迅速降低使用门槛,让更多员工在真实工作中接触Agent。AI 不再只属于技术部门,也不再只是聊天、写稿和搜索,而会逐渐进入文档、表格、会议、调研、数据分析和跨软件操作,特别是沙箱的使用,你的要求马上会被Agent以现写代码的方式实现出来,这是大跨度的人机协作范式的提升。

当小区电梯广告一分钟可以播放三次Workbuddy,我就觉得市场教育由大厂们来完成,其实对整个AI大赛道都是好事情。

但另一个问题也随之出现:当巨头把 AI 办公推向白热化,其他产品和团队是不是就没有机会了?

恰恰相反。巨头越快把个人工作入口做成熟,企业AI中尚未被解决的问题就会暴露得越清楚。

一、这场战争首先争夺的是“个人工作入口”

观察几家产品的核心表达,会发现一条相当一致的路径:用户提出一个目标,Agent 自动规划步骤、调用工具,最后交付报告、PPT、表格、网页或其他可编辑文件。这比过去的 AI 助手前进了一大步。它不再只回答“怎么做”,而是开始替用户把工作做完。

WorkBuddy强调多专家协作、任务执行和文件交付;豆包工作主打自主拆解任务、持续推进复杂流程,并通过飞书获得更多企业上下文;千问办公则把数据分析、PPT、视频、网页和本地文件处理放进统一入口,同时接入钉钉的IM、日程、文档、审批和知识库。它们都在努力成为电脑上的新一层工作界面。

企业版、安全合规、权限管理和组织连接也已经进入这些产品的能力范围。因此,简单地说“大厂只做个人市场”,并不准确。更准确的判断是:它们当前最容易规模化的切入点,仍然是员工的个人任务。

原因并不复杂。个人工作场景高度相似,标准化程度高,产品可以快速复制。一名员工写方案、查资料、做表格、整理会议纪要,不同行业之间虽然内容不同,操作模式却很接近。把这些能力做成标准产品,通过订阅、积分或用量销售,可以服务巨大的用户群。

而企业真正复杂的部分,通常不在个人桌面上。

它藏在部门边界、审批链路、同一份制度的不同版本里,藏在“谁可以看、谁可以改、谁来负责”的责任关系里,也藏在那些跨部门、长周期、出了问题很难找到唯一责任人的事务中。

个人提效解决的是一个人能否更快完成任务,企业提效解决的是一群人能否持续把事情做对。两者相关,却不是一回事。

一家企业当然由一个个的人组成,但企业不是个人账号的集合。企业存在的价值,正是通过组织、分工、流程、知识和协作,把许多人的能力变成稳定、可复制的业务能力。

如果十名员工都用 AI 把周报写得更快,企业获得了时间收益;但如果产品口径依然冲突、售后经验依然沉睡、审批依然反复、知识依然散落在不同系统里,企业的核心业务效率并没有因此发生根本变化。

这就是 AI办公热潮中最容易被混淆的一点:员工提效 ≠ 企业提效。

二、企业提效的难点,是让 AI 进入组织系统

当AI从个人工具进入企业生产环境,问题会迅速改变。

一名员工可以接受AI偶尔写得不够好,修改后继续使用;一个面向客户的服务系统却不能随意引用过期制度。个人可以把文件拖进对话框临时分析;企业则必须知道文件来自哪里、当前是否有效、谁有权访问、引用过哪些内容。个人任务往往在几个小时内结束;企业的项目、客户服务、设备维护和合规管理可能持续数月甚至数年。

因此,企业 AI 真正需要解决的至少包括四类问题。

  • 第一类是组织问题。AI必须理解使用者属于哪个部门、承担什么职责、能看到哪些信息,又能执行到什么程度。同一个问题,由普通员工、部门负责人和审计人员提出,答案范围和可执行动作不应相同。

  • 第二类是流程问题。企业中的很多工作并不是生成一份文件,而是由多人、多系统和多个决策节点共同完成。合同审核、售后处理、采购评估、合规检查都存在明确的前置条件、例外规则、审批要求和失败处理机制。Agent可以加速某个节点,但只有进入完整流程,才能改变整体效率。

  • 第三类是知识问题。制度、产品、工艺、案例、项目经验和专家判断构成了企业自己的上下文。这些知识并不天然存在于大模型里,也不会因为上传了几份文件就自动变得可靠。它们需要解析、清洗、分类、切片、抽取、审核、版本管理和持续更新。

  • 第四类是协同问题。企业里最难推动的事务,往往横跨多个责任方。资料不完整时由谁补充,知识冲突时由谁裁定,制度临期时由谁更新,Agent 发现问题后如何形成治理任务,这些都不是一次对话能够解决的。

可以把这类涉及组织、流程、企业知识和多人协作的工作,暂时统称为“企业协同场景”。

它与传统 OA 意义上的协同也不完全相同。过去的协同系统主要负责让信息流转起来;AI 时代的企业协同,还要让机器理解信息背后的规则、权限、责任和业务语义,并在合适的环节参与判断和执行。

这是一块更重的市场。需求更难标准化,交付周期更长,需要进入客户现场,也需要同时理解产品、技术和业务。但它带来的价值不再只是节省几小时,而可能是缩短一条业务链路、减少一次风险事件、提高一类服务的稳定性,或者把少数专家的经验变成整个组织可以复用的能力。

真正的企业级AI,不只是给每个员工配一个更聪明的助手,而是帮助企业形成更强的组织能力。

三、大厂的最优解,不一定是每家企业的最优解

大厂进入AI办公,拥有其他团队很难复制的优势。

它们既有云和算力,又有基础模型、中间件、办公软件和企业入口。模型调用带动云资源消耗,办公应用扩大用户触达,企业协作平台提供组织关系和业务连接,最终可以形成从基础设施到应用的完整闭环。

从商业上看,这套路径非常合理。

标准化订阅和持续用量收入更容易规模化,也更符合大厂的成本结构。无论产品最终采用 Token、积分、套餐还是席位计费,背后的核心都是让智能能力像水电一样持续供应。客户使用得越深,调用量越大,云、模型和应用之间的集团作战价值就越明显。

“卖水卖电”并不是贬义。AI要大规模普及,本来就需要可靠、便宜且随取随用的基础服务。没有大厂建设基础设施,很多中小团队甚至没有机会进入市场。

但这种商业模式也有边界。

一些客户出于数据安全、成本控制、信创适配或内部架构要求,不希望使用公有云,也不希望核心业务长期调用在线模型。他们可能要求软件完整部署在本地,自主选择模型和硬件,完成既有系统集成,项目上线后按年度购买维护、升级和运营服务。

大厂并非不能承接这类项目。面对战略级客户或明确的合规要求,它们同样会提供专有云、私有化和定制方案。问题在于,当项目越来越偏向现场实施、知识整理、流程改造和长期服务,而云与模型用量有限时,它对大厂的规模收益就没有那么理想。

对客户来说,这可能恰好是自身的最优解;对大厂来说,却未必是优先级最高的生意。

市场空白由此产生。

中小服务商没有必要复制大厂的完整产品矩阵,也没有必要在通用模型和个人助手上正面竞争。更现实的方向,是围绕具体行业和企业问题,提供大厂标准产品难以覆盖的深度服务。

比如,帮助制造企业把工艺文件、设备手册和历史工单变成可治理的知识体系;帮助银行统一不同部门的小知识库,在细粒度权限下为多个 Agent 提供可信检索;帮助集团企业处理制度版本、跨部门知识和多应用复用;帮助专业服务机构管理法规时效、项目经验和证据链。

这类业务的收入不只来自软件授权,还来自实施、知识工程、系统集成、运营维护和持续优化。它不会按Token消耗量收费,而是围绕客户最终获得的业务价值设计产品与服务。

与其把它称为项目制,不如称为“客户价值商业模式”:客户购买的不是更多 Token,而是一个问题被真正解决,并且这套能力能够在组织中持续运行。

四、机会不在另做一个助手,而在建设企业上下文

AI办公大战不会停止,个人工作入口也会越来越集中。对于中小产品团队来说,机会并不在于再做一个功能相似的桌面助手,而在于补上通用 Agent进入企业之后缺失的那一层。

这层能力就是企业上下文基础设施。

Agent要完成企业任务,不能只知道公开世界里的通用知识。它还需要知道企业当前执行哪一版制度,某个客户处于什么状态,历史上类似问题如何处理,当前任务已经走到哪一步,以及操作者拥有怎样的权限。

模型决定 Agent能否理解和推理,工具决定它能否行动,企业上下文决定它能否做对这家企业的事。

企业上下文也不是把文档集中上传到一个知识库。它需要形成持续运行的知识供应链:资料从文件系统、业务系统和数据库进入平台,经过解析、清洗、抽取、校验和准入成为可信知识;知识按照组织责任进行维护,又能围绕项目和业务主题灵活组合;问答和Agent 在权限范围内调用知识;使用中发现的问题,再回到内容、版本、术语和审核环节持续修复。

TorchV AIS 的产品方向正是一个例子。

它首先是一套企业级AI知识引擎,重点不在“接入了哪个模型”,而在知识接入、知识工程、知识治理、知识应用和反馈优化形成的闭环。文件不是上传后就结束,而是要经过标准化加工和质量准入;答案不仅要生成,还要能够回到来源、原文和知识版本;知识不仅要能搜索,还要有责任人、权限、生命周期和健康状态。

在应用层,TorchV AIS既可以直接提供基于企业知识的问答应用、Agent 应用和 Agent 工作区,也可以通过 API、Skill、MCP 等方式连接其他 Agent,作为上层应用的企业上下文基础设施。企业已经选定 WorkBuddy、豆包工作、千问办公或其他 Agent时,专业知识引擎并不一定与它们竞争,反而可以为这些入口提供经过治理的知识和可追溯的上下文。

这也是TorchV AIS这类专业领域产品存在的现实意义:以一个标准化AIS 平台作为统一知识与 Agent 底座,配套实施服务、知识工程和维护运营三类服务,再进入金融、制造、集团、专业服务等不同场景。平台保证能力能够复用,服务解决企业差异,行业实践则缩短价值落地的距离。

这种模式不会像通用办公助手那样快速覆盖海量用户,却更接近企业 AI 的真实难题。

未来几年,AI办公很可能同时沿着两条路径发展。一条由巨头推动,让每个人都拥有随时可用的智能工作助手;另一条深入企业内部,把组织、流程、知识和业务系统改造成Agent 能够理解和参与的生产环境。

前一条路径提高 AI 的渗透率,后一条路径决定 AI 能否变成企业的长期生产力。

所以,大厂入场并不意味着市场结束。它只是把竞争的边界重新画了一遍。

个人桌面上的入口会越来越强,也会越来越集中;企业深处那些需要责任、规则、知识和长期服务的问题,却仍然分散在不同组织和行业里。这里没有一个模型可以包打天下,也很难只靠标准订阅完成交付。

巨头擅长铺设 AI 时代的水电网络。专业产品和服务团队要做的,是把水电接进生产线,并让它真正驱动业务。

这可能才是 AI 办公进入白热化之后,企业 AI 市场最值得重视的机会。


参考资料

  1. 腾讯云首发效率智能体工具集,发布 WorkBuddy 企业版 AI 工作台:https://www.tencent.com/zh-cn/tencent-cloud-debuts-productivity-agent-suite-creating-a-new-gateway-to-ai-for-users-and-enterprises/

  2. WorkBuddy 官方网站:AI Agent 办公新范式:https://www.workbuddy.cn/work/

  3. 豆包工作正式发布:让 AI 从生成内容到完成工作:https://www.news.cn/tech/20260825/1c13b806a0a946a9981e95f0c238e98c/c.html

  4. 阿里巴巴推出一站式办公 AI 智能体平台“千问办公”:https://ali-home.alibaba.com/document-2021039099929952256

  5. 阿里云:千问办公产品简介:https://www.alibabacloud.com/help/zh/qwenwork/qwenwork-intro

  6. 阿里巴巴集团 2026 年 6 月份季度业绩与 AI 业务战略调整:https://ali-home.alibaba.com/document-2026456290057781248

  7. 内部赛马暂停,腾讯、阿里、字节 AI 办公产品“合兵”对阵:https://www.eeo.com.cn/2026/0807/989093.shtml

  8. TorchV AIS 企业级 AI 知识引擎产品白皮书 v2.5:https://www.torchv.com/docs/manual/ais-wb/

  9. 企业 Agent 好不好用,关键不是模型,而是上下文:https://www.torchv.com/blog/encontext/

以往精彩:

你们的企业AI项目真的跑出真正的价值了吗?了解一下知识工程这个隐性共识

企业AI落地需要的不是一个知识库,而是一台“知识引擎”

企业AGENT好不好用,关键不是模型,而是上下文

做完一次总体设计后,我重新理解了企业级知识库

阅读原文

跳转微信打开

  •  
❌