AI Agent知识工程：从企业隐性知识到可靠上下文

AI Agent时代，企业知识工程正在突破RAG的局限，把那些深藏不露的隐性知识转化为可用的上下文，支撑起更复杂的任务执行。这背后，是企业AI应用从RAG到Agent的能力升级需求，以及知识工程在定义、分类和价值上的全新实践。

01 知识工程的定义

回看企业早期应用大模型时的做法，大多是把文档直接导入知识库，再通过RAG让模型检索回答。这个思路确实能快速解决通用大模型不熟悉内部信息的问题，但说到底，它解决的还是“文档事实可访问”这层问题。

到了AI Agent阶段，企业要的不再只是问答，而是实打实的任务执行、流程推进、异常处理、跨系统协同，甚至业务决策辅助。Agent要完成这些任务，必须理解企业特定的业务语境。举个例子，客服Agent不光要知道政策条款，还要清楚什么情况下可以破例、什么情况下必须升级、不同地区客户适用什么规则；IT运维Agent不仅要看懂告警说明，还得理解故障之间的因果链路和处置优先级；财务分析Agent不能只读报表，得理解指标口径、业务归因和异常波动背后的原因。

这些能力，很少完整存在于标准文档里。大量关键知识都藏在资深员工的经验、业务系统的操作痕迹、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。如果企业只盯着容易获取的显性数据来建设Agent，那最终只会陷入能力同质化的困境。

所以，Agent时代的知识竞争，核心不是“谁拥有更多文档”，而是“谁能把企业独有的知识工程化，变成Agent可用的上下文”。知识工程，正是完成这个转化的关键。

沙丘智库将AI Agent知识工程定义为：围绕企业知识的识别、采集、抽取、建模、验证、治理、发布和持续更新，目标是把企业知识转化为Agent可检索、可理解、可推理、可执行、可追溯的语义资产，并进一步沉淀到企业上下文层中。

理解企业知识，可以从两个维度切入。一个维度是知识是否被编码，另一个维度是知识所表达的逻辑类型。

从编码状态看，知识可以分为三类：

• 显性知识：已经被记录和存储的信息，比如制度文档、操作手册、数据库字段、报表、FAQ、合同模板。
• 隐性知识：可以传授和迁移，但还没正式文档化的工作方法、流程经验和操作技巧。
• 默会知识：高度依赖个人经验、直觉和长期实践的专业判断，比如资深风控人员的风险直觉、运维专家的故障判断、销售经理对客户推进节奏的把握。

从逻辑类型看，同样分为三类：

• 陈述性知识：回答“是什么”，例如产品定义、政策条款、指标口径、客户属性、设备参数。
• 流程性知识：回答“怎么做”，例如审批步骤、故障处理流程、销售跟进节奏、客服升级路径。
• 因果性知识：回答“为什么”，例如价格变动影响转化率、某类告警可能指向底层依赖故障、某类客户行为预示流失风险。

大多数AI项目都集中在“显性&陈述性知识”上，也就是已经写在文档和数据表里的事实。这类知识容易获取，适合构建标准问答和基础检索能力，但差异化有限，也很难支撑Agent自主执行复杂任务。

02 知识工程的价值

在企业上下文层中，知识工程主要发挥四类作用：

第一，构建语义基础

知识工程通过本体、术语表、指标口径和知识图谱，定义业务实体、关系、规则和约束，让Agent理解业务概念，而不是只匹配字段或关键词。

第二，表达流程逻辑

知识工程将文档化流程和隐性操作习惯转化为任务步骤、状态转移、例外条件和工具调用约束，使Agent能按正确顺序执行任务。

第三，沉淀因果与诊断逻辑

知识工程将专家对“原因、影响、风险、优先级”的判断结构化，帮助Agent在异常处理、问题诊断、经营分析和风险识别中形成更可靠的推理路径。

第四，提供治理和审计语境

知识工程可以把政策、权限、责任归属、数据口径和合规要求转化为机器可读约束，使Agent在执行任务时有明确边界，并能生成可追溯证据。

因此，知识工程是上下文层的“知识生产系统”。没有它，上下文层容易退化为数据接口和文档检索；有了它，上下文层才能成为组织记忆、业务逻辑和治理规则的统一载体。

03 知识工程落地路径

知识工程不应以“建成企业级全域知识图谱”为起点。这种项目周期长、范围大、价值难验证，反而容易变成高成本的基础设施工程。更可行的方法，是从最小可用本体开始。

最小可用本体是围绕单个Agent能力构建的轻量领域模型，只描述实现该能力所需的关键概念、关系、规则、状态和例外条件。它的目标是让一个具体Agent场景先跑通，再通过反馈逐步扩展。

企业可以按以下步骤推进：

第一，选择高价值Agent场景。优先选择业务价值明确、流程边界清晰、知识密度高、结果可衡量的场景，比如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。

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，定位知识来源。识别知识存在于哪些系统、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中。

第四，抽取显性与隐性知识。对文档、流程和系统记录做结构化抽取，同时通过访谈、工作坊、影子学习和案例复盘提取专家经验。

第五，建模关键概念和关系。定义实体、属性、关系、规则、状态、事件、流程和例外条件，形成最小可用本体。

第六，发布到上下文层。将本体、图谱、规则和知识片段接入Agent的检索、工具调用和上下文选择流程。

第七，运行评估与反馈。追踪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，并持续修订知识模型。

举个例子，建设一个HR休假政策Agent，不需要一开始描述整个人力资源知识体系。最小可用本体只需要覆盖员工类型、地区、假期类型、入职时间、累计规则、公司政策、例外条件、审批路径和资深HR在复杂案例中使用的判断逻辑。这个范围足以支撑一个高价值Agent能力，并为后续扩展到薪酬、绩效、招聘等场景打好基础。

知识工程最难的部分，是提取尚未文档化的知识。企业可以组合使用多种方法：

• 专家访谈。通过结构化访谈让业务专家解释关键判断、常见例外、决策依据和风险边界。访谈重点不是让专家复述文档，而是追问“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。观察高绩效员工完成任务的过程，将其拆解为输入、判断、步骤、工具、输出和反馈。适合客服、销售、运维、审核、分析等场景。
• 案例复盘。从历史成功案例、失败案例、投诉案例、事故案例中抽取判断模式和因果关系。案例复盘尤其适合沉淀异常处理和风险识别知识。
• 流程挖掘。利用业务系统日志、工单流转、审批记录和操作轨迹发现实际流程，与制度流程对比，识别隐性路径和绕行规则。
• 文档与对话抽取。从制度文档、操作手册、会议纪要、客服记录、即时通讯、邮件和知识库中抽取实体、关系、规则和条件。
• 人机协同标注。使用大模型辅助初步抽取术语、关系和规则，再由业务专家确认、修订和补充，避免自动抽取把错误知识结构化。
• 能力问题驱动建模。在建模前定义Agent必须回答的问题，用问题倒推需要哪些概念、关系和规则，防止本体过度设计。

这些方法的共同目标，是把“人知道但系统不知道”的知识，转化为Agent可以检索、推理和执行的结构化资产。