企业在构建知识库的长期实践过程中，普遍面临的挑战主要集中于：缺乏系统性规划、组织机制与文化支撑不足、智能化水平有限。归根结底，这三大瓶颈制约了知识价值的释放。大模型与知识库融合的方案，恰好从知识管理的底层逻辑切入，帮助企业探索更多场景下的知识应用形态，从而切实提升知识的利用效率与商业价值。

接下来，本文将从三个维度展开论述：首先梳理知识库建设中的常见陷阱，其次解析AI+知识库的建设框架与实施路径，最后通过四个不同场景的落地实践案例进行总结。

知识库建设背景

企业在当前知识库建设过程中，所遇到的困难确实不少，归纳起来主要集中在这三个方面。

1、知识管理碎片化严重

无论企业是否正式开展过知识库项目，许多业务环节仍依赖纸质办公，大量数字信息甚至尚未完成电子化。仅电子转换这一步，就需要投入额外的人力与资源。同时，部门间信息孤岛现象普遍——管理规范各异，建库方式各自为政，彼此之间难以打通，知识管理自然变得零散无序。

2、知识可用性偏低

部分企业在建设知识库时，仅将简单的文档库搬进平台，一存了之。一旦进入实际的搜索、验证与使用环节，问题便暴露无遗。例如，设备维修人员希望查询某台设备的维修参数，检索结果却是一整本维修手册，需要在几百页中手动翻阅，不仅效率低下，而且极易耗费时间。

3、专家经验难以沉淀

这是企业反馈最为集中的痛点。许多企业确实拥有专家资源——无论是客服、营销、金融、设备管理领域，还是传统行业的老师傅，都积累了丰富经验。但问题在于，这些经验只存在于专家脑中，难以有效呈现与复用。因此，我们需要一个既能服务于企业用户，又能从中抽取经验、辅助找到答案的平台。这已成为当前最迫切的需求。

谈及企业知识管理的发展方向，我们致力于打造三种典型场景。

第一个是知识资产化。企业建设知识库或知识平台，必须能够沉淀出可用的资产。这些资产可以是知识平台本身、具体知识库，也可以是未来在推广运营阶段供用户使用的产品。知识资产化能够切实提升工作效率。

第二个是知识场景化，这也是当前关注的重点。知识库或知识智能引擎产品，应能具象化地满足企业用户日常的知识消费场景，例如业务查询、案例查找。企业可以利用现有知识搭建平台，完成运营服务、考试培训等任务。深入具体场景后，可以为企业打造贴合场景的知识底座，通过场景反向驱动知识构建的维度。这一思路超越了传统基于实体或关系关联的知识图谱，也超越了单纯从文档角度检索的知识库。

第三个是知识智能化。无论是否处于大模型时代，业界都在为客户提供智能化产品。过去没有大模型时，我们通过搜索优化，例如在检索阶段借助召回能力改进搜索引擎，实现深度语义表征。采用向量表征结合Bert等模型进行优化，能够提升召回效果，优于直接使用ES。在知识运营阶段，也可以利用小模型（如GPT-2、T5）生成数据或类似问题，甚至借助工具生成数据、提升运营水平。在知识运营的图谱方面，也有多种技术可用于实体抽取与构建。在创新平台上，同样需要智能化来改进使用方式。

从企业服务的视角看，过去强调用户画像，为知识平台做权限管理。进入大模型时代，采用RAG方式实现知识召回与问答，可以一步生成答案。运营阶段的应用更加广泛——无论是知识获取、推理还是判断，都可以借助语言模型的能力进行持续运营。此外，还可借助大模型的Agent场景或LangChain来提升工单处理等服务水平。

企业如何打造全链路智能化的知识管理平台？在知识交互阶段，主要分为三个部分：知识构建、知识存储和知识消费（应用即消费场景）。知识管理的底座可以建立统一的AI底座，提供传统NLP能力，如分词、抽取、生成、判断、情感识别等。再结合大模型引擎——无论是企业自研、使用信任数据进行SFT的模型，还是调用开放API（如OpenAI或文心一言），都可以接入使用。

在知识构建阶段，需将知识划分为多种模式。例如，一个文档要先进行拆解，使用知识加工工具处理。若要分析段落的版面（如扫描件或PDF），需通过知识加工体系识别段落，并将其中的图片、公式、表格信息解析出来。知识图谱工具同样如此：在企业内部构建图谱时，需要调用工具完成三元组抽取，辅助图谱构建，提升效率。

知识存储阶段，当前分为几大部分。针对大量文档信息，需要建立文档库进行抽取与解析。解析过程中，不仅要确保文档可被向量化，还需支持查询与编辑——企业用户对此有明确需求。由于大模型的应用，还需提升RAG的质量与召回能力，因此存储阶段需构建向量库，存储向量知识（即文档的特征表示）。若采用知识图谱存储，还需使用图数据库。在存储之前，需要进行融合——在一次检索时，要同时展示对应的文档信息与案例。例如，在能源行业搜索“某设备变压器起火如何处理”，展示内容应包含变压器的图谱信息、生产厂商（可能来自结构化数据）、生命周期管理信息（维修保养记录），以及处理方式（来自操作手册或行业标准）。此外，经验案例也至关重要。所有这些信息需在平台或页面上有效展示，这依赖于合理的知识存储与融合。融合后，一次检索才能将这些信息全部召回。

知识消费阶段涵盖众多场景：搜索、推理、问答、生成等。可借助AI底座与引擎实现这些能力，也可结合图谱与大模型完成。消费阶段，企业非常看重可视化展示，可以通过图谱展示知识关联关系，也可使用案例、视频来呈现。为了进一步提升交互质量，还需推理分析——例如遇到问题如何应对，不同区域情况不同，策略也不一样，需依靠图谱进行推理。

这就是全链路的知识管理，包括知识构建、知识存储和知识消费三大阶段。

打造AI+知识服务体系

结合AI场景为企业用户打造的知识服务体系，底层是统一的AI底座，上层承载各种AI组件，无论来自大模型还是小模型，涵盖图片生成、以图搜图、OCR等场景。

基于这个AI底座，有三款产品。AI galaxy是AIGC平台，用于让大模型生成邮件、文案、代码等。企业用户如有需求，可在该平台上使用自研模型或外部模型。例如，从对话中提取关键信息并生成摘要，可将几轮对话传入平台，完成抽取与概要生成。

第二个是知识智能，重点为企业打造统一的知识服务。底座包括知识中心和知识图谱。前期构建阶段需要知识工程介入，存储阶段既可使用知识图谱，也可采用其他方式，构建知识中心平台来使用。最后是AI+知识的智慧营服，结合实际场景进行知识消费。云问科技以智慧客服起家，结合AIGC或大模型能力为企业提供智慧营服——在营销或客服阶段，均可使用文本机器人、电话机器人、虚拟人、在线客服呼叫中心等，统一调用知识。完成知识构建后，无论企业提供搜索引擎进行知识搜索，还是与文本机器人交互，或者为客服、营销人员提供平台使用，都可在该底座下完成。

在知识构建环节，首先是知识工程，许多工作属于工程化范畴。主要难点在于知识边界难以界定，需要大量人力投入。该阶段需进行知识抽取、段落拆解，将文档还原为可编辑的信息——表格、公式、图片都要支持检索、使用和消费。构建完成后会进入人工审核阶段，这样知识工程才能投入使用，问答机器人可借助知识中心进行搜索与交互。

知识相关项目若缺少知识图谱，很难立项。知识图谱曾因逻辑自洽而备受推崇。无论是在使用阶段还是用户交互阶段，当搜索某个信息时，能够同时获知关联信息，并进行图谱上的交互——这超越了传统搜索引擎的简单信息展示。此外，还打造了推理场景，例如使用Protege等工具进行知识推理。举例来说，实际场景中查询“南京地区的电价是多少”，如果当地未存储南京电价，但江苏省有统一执行标准，结合南京属于江苏的事实，即可推理出南京电价。随着时间推移，大家在图谱交互中发现，图谱构建阶段的人力成本非常高，因此打造了图谱构建流程——从本体构建、框架制定到图谱生成及搜索。大模型时代到来后，无论知识构建还是消费阶段，结合图谱信息进行展示，都拥有更优的模式。

知识图谱是知识的重要承载形式。面向企业用户推出的智能知识中心，通过统一的搜索完成整个交互，呈现模式包括图谱与知识的展示。同时还有大模型交互，生成结果类似Copilot模式。去年初大模型刚刚兴起时，大家都在思考如何接入。在搜索引擎上增加一个按钮，或在按钮背后增加一套逻辑，天然就能利用IG场景进行呈现，成本低、交互顺畅，且用户对搜索引擎已十分熟悉，知识交互模式结合IG场景是一种不错的交互方式。

除了搜索，知识还有其他消费场景，例如企业内部培训。无论运营商还是其他企业，内部培训都是资源消耗大户，需要投入大量成本。在以知识为核心的应用场景下，为企业用户搭建知识中心，员工可在此学习，甚至能结合大模型，基于上传的PPT生成脚本、制作视频。还可根据要求训练智能客服，让机器人扮演客户进行咨询练习。此外还有检测环节——企业需要为培训人员组织考试，结合实际场景和现有信息或知识点，可以生成问题，经人工审核后导入题库，模型自行完成评价。总之，知识中心的能力远超搜索本身。

实际落地的经验案例

案例一：面向企业知识应用全生命周期的内部知识库

在我们企业内部使用中，打造的产品体系功能丰富。企业内部涉及智慧办公——无论是教育考试、培训还是检索，都离不开知识库需求。这一阶段可以借助统一知识库结合大模型场景来提供服务。知识门户、检索、社区搭建，都是适用于企业内部的场景。

案例二：电子工程设计院面向标准管理的知识库应用

该设计院面临海量文档信息的场景——包括行业文档、企业文档、行业标准、企业标准、国家标准等。最主要的工作是审核。例如，某家企业提交了标准，此时最大的开销是业务人员需要花费时间审核：当前标准是否符合要求？要核实企业标准与国家标准的匹配情况，必须大量查阅和比对。利用大模型知识库的检索模式，可以快速定位信息，完成检查与服务。

电子工程院使用了多种模型：需要进行知识拆解、信息召回、判断信息是否符合标准，这涉及大量大模型或知识工程任务。首先要完成文档拆解，再建设企业私有化的大模型知识库。

案例三：面向企业私有化大模型的知识库应用

企业接入AIGC或大模型时，可以从哪些方面着手？可以分阶段实施。第一期建设AI机器人——无论是ToB还是ToC企业，都有问答需求。第一阶段部署文本AI机器人，打造AIGC数字助手，结合生成式机器人。首先要改进传统AI机器人的交互模式，过去召回的答案较为生硬，现在利用大模型对答案进行改写，使其更加拟人化。还能结合大模型的上下文推理能力，提供更进一步的服务，这就是AIGC的能力。接下来对接知识库，打造AIGC与RAG场景的数字服务。结合现有能力，在发现Agent的苗头后，优化工作流，打造更多综合应用平台。企业内部的OpenAI，可以完成用户申请、私有机器人搭建等操作。最后还可扩展场景，优化Agent落地，打造训练平台和应用平台，扩展多个应用场景。

案例四：面向经销商的大模型知识门户应用

在汽车经销商的销售场景中，智能辅助销售人员对客户进行应答。例如，在新能源汽车场景下，客户会向销售人员询问车辆问题，如续航、电池容量等。如果销售是新手，则需要辅助信息，配合IG场景完成本地知识召回，帮助答疑。

另一个场景是，客户询问竞品情况——客户对比自家车型与竞品的差异，4S店服务人员可能也不确定。此时需要进行知识召回，生成答案。通过大模型交互，可以直接生成话术，而不仅仅是展示表格。那种交互方式速度慢，容易错失商机。

在试驾预约的Agent场景中，要完成试驾预约动作，必须先告知大模型该客户的姓名、所在门店、所需车型、客户联系方式、试驾车型这五个要素。这些信息来源于三个工具：一是信息化系统，二是根据用户或营销人员话术的知识抽取，三是工单工具。信息收集完成后，提交到工单，反馈试驾工单已预约成功。在整个场景中，Agent进行推理和判断非常契合，能够高效完成工作。

用户进入时先完成信息获取，老用户需获取相应标准信息，然后根据运营商的交互模式，发现客户诉求。最后将信息汇总，提交到工单系统，完成试驾工单预约。这是一个大模型结合Agent的成功案例。

回过头来看，从企业面临的知识构建困难点出发，为企业打造统一的知识服务平台。结合这个平台，可以孵化出各种消费场景——搜索、问答、营销等。接入大模型后，可以进一步扩充：无论在知识构建阶段还是知识消费阶段，运营质量都将得到提升。在消费阶段，过去只能进行搜索交互，现在可以变得更拟人、交互更顺畅。还能结合Agent，完成以前难以实现或需要大量人工确认的流程，借助大模型执行相应任务。