企业在搭建AI知识库时，最容易遇到哪个瓶颈？

许多团队的第一反应是将各类文档一股脑上传——制度、手册、代码规范、故障记录、产品说明、需求文档、历史问答，全都统一收进一个知识库，再接入向量检索与大模型问答能力。这种做法确实有一定的价值：员工减少了翻找资料的时间，新人避免重复提问，客服、研发、运营、数据分析等场景也能更快速地获取答案。

但问题在于，资料能被检索到，并不等同于知识能被运用到实际业务中。当AI的定位从“回答问题”向“执行任务”转变时，传统知识库很容易暴露出短板——信息能够被找到，但知识却未必能被正确调用和使用。

企业真正需要的不再是一套能够搜索文档的系统，而是一个能够让AI理解业务语境、调动组织经验、遵循规则边界、完成任务拆解，并记录反馈结果的知识基础设施。否则，当前的知识库充其量只是一个更智能的资料柜，距离成为企业智能体的工作底座，还有相当长的距离。

在第9届AI+研发数字峰会（AiDD 2026 上海站）上，来自腾讯PCG应用效能技术部的刘琮玮带来了题为《AI 原生知识库及其实践与应用》的分享，将这一问题拆解得十分透彻。这场分享并非单纯讲解“如何搭建一个RAG系统”，而是提出了一个更贴近企业落地场景的命题：随着Agent框架、模型能力与业务场景的同步演进，知识库必须从资料存储形态升级为AI原生应用能力的一部分。

图 1：刘琮玮《AI 原生知识库及其实践与应用》：AI 技术演进推动知识库从资料存储走向 Agent 能力底座（PPT 第 7 页）

为何当前阶段必须重新审视知识库

过去，很多企业在谈论知识库时，焦点始终停留在“人如何查阅资料”上。库里是否包含文档？目录结构是否清晰？搜索体验是否流畅？内容是否保持及时更新？这些问题是传统知识管理最关注的核心。

到了大模型时代，知识库被赋予的价值成倍放大：大模型需要结合企业私有知识进行回答，RAG系统需要高质量语料作为支撑，Agent需要稳定的上下文环境。于是，知识库从后台的资料管理模块，被推向了AI应用的前台核心位置。

但刘琮玮在本次分享中特别指出，真正的变化并不仅仅是“知识库变得更重要了”，而是AI的工作方式本身已经发生了根本性转变。

2024年，许多团队还在摸索大模型的应用场景；2025年，Agent框架与成熟方案开始普及；进入2026年，企业更关心的是差异化落地能力以及通用Agent能否真正转化为可用的生产力。这种演进意味着，AI不再仅仅回答一句话，而是要理解任务目标、选择合适的工具、调用相关知识、组织执行步骤、执行具体动作，并对最终结果承担责任。

到了这一阶段，知识库的角色已经不再仅仅是“被检索的材料”，而是AI与企业之间的关键对齐层。

企业内部的很多知识，本身并不天然适合被模型直接使用。这些知识可能隐藏在业务流程中、历史缺陷记录中、工程规范文档中、专家经验里，也可能分散在不同的系统平台上。人凭借经验可以理解这些隐含的语境，但模型需要的是显式化的上下文、关系、规则与边界。

因此，构建AI原生知识库的首要任务，不是解决“能不能存下”的问题，而是解决“如何让AI准确对齐组织内部的真实知识”这一核心命题。

图 2：刘琮玮《AI 原生知识库及其实践与应用》：知识库承担人类知识与 AI 能力之间的对齐任务（PPT 第 8 页）

RAG 只是中间过渡，并非最终目标

目前，许多企业将AI知识库简单等同于RAG。这种理解有其现实的合理性：传统数据存储解决的是“资料存放在哪里”；RAG在此基础上进一步解决了“模型回答时能否引用企业资料”的问题。对于大多数团队来说，这已经是比过去的搜索系统向前迈进了一大步。

然而，从刘琮玮的分层思路来看，知识库的发展至少经历了三个截然不同的阶段。

第一阶段是传统数据源的延伸，本质上更像数据加工与索引系统，重点是将资料收集整理好，便于人工检索。

第二阶段是通用RAG范式，它将大模型接入知识检索链路，使知识库成为问答与生成任务的外部上下文来源。

第三阶段才是真正的AI原生知识库。它并非单纯为问答服务，而是专门面向AI应用与Agent任务设计的知识计算体系。这一体系需要支撑知识的全生命周期：生产、处理、消费与应用，同时还要满足不同场景下的查询、推理、组合与反馈需求。

这种区分非常关键。如果知识库只是RAG，评价标准往往是召回率、答案相关性或引用是否命中。但当知识库成为企业智能体的基础设施时，评价标准将转变为：它能否让Agent理解具体业务任务，能否识别正确的知识路径，能否将知识转化为可执行的步骤，能否在失败后沉淀经验，以及能否在多场景中稳定复用。

简单来说，RAG解决的是“模型回答时参考什么”，而AI原生知识库要解决的是“AI在执行任务时依靠什么”。

图 3：刘琮玮《AI 原生知识库及其实践与应用》：知识库从传统数据存储、通用 RAG 走向 AI 原生知识库（PPT 第 9 页）

刘琮玮进一步将AI原生知识库的能力拆解为一条更完整的链路：知识生产、知识处理、知识消费与知识应用。

知识生产关注知识从何处来，以及如何从业务材料、历史记录、代码、缺陷、规范文档与人工经验中生成可供使用的资产。

知识处理强调如何对知识进行清洗、抽取、结构化、关联与增强，避免出现“所有文档都进库，但AI依然不知道应该引用哪一段”的尴尬局面。

知识消费则关注AI如何检索、召回、理解并组合知识，而不是只返回一组相似度较高的文本片段。

知识应用聚焦于知识如何真正进入实际任务，服务于研发、质量、客服、运营、数据分析等具体业务场景，并将使用结果反馈回知识系统。

这正是“AI原生”四个字的真正含义：不是给传统知识库外包一层大模型能力，而是从一开始就按照AI应用特有的使用方式来设计整个知识库体系。

图 4：刘琮玮《AI 原生知识库及其实践与应用》：AI 原生知识库需要覆盖知识生产、处理、消费和应用能力（PPT 第 10 页）

缺乏资产底座，智能系统难以稳定

在企业AI应用实践中，最容易出现的问题就是高估模型能力，低估知识资产的价值。

许多项目在早期演示阶段效果不错，原因在于问题范围较小、样本相对干净、场景边界清晰。一旦进入真实业务场景，系统就会遭遇更复杂的知识来源：规范文档、需求记录、缺陷工单、接口说明、业务流程、测试用例、历史问答、代码仓库、组织制度以及专家经验等。

这些材料如果只是简单地堆砌在一起，AI并不会自动理解它们的优先级、时效性、适用范围以及相互关系。因此，构建知识资产底座的第一步，是建立全局性的视野。

在刘琮玮的分享中，提到的“筑基石”正是从全局视野出发构筑资产底座。PPT中列出了17类知识类型、超过55万条知识量、每月4.5万以上的活跃知识量，并将知识资产划分为数据类资产、规则规范类资产以及关系类资产三大类别。

这些数字背后隐含着一个关键判断：构建AI原生知识库不应先问“我要接入哪个模型”，而应先问清楚“组织内部到底有哪些知识资产，它们分别服务于哪些具体任务”。

数据类资产解决的是事实与记录问题；规则规范类资产解决的是约束与判断问题；关系类资产则解决实体、流程、依赖关系以及上下游衔接问题。如果不将这三大类资产清晰区分，后续的检索与应用就会相互混杂。

企业常说“知识太散”，但更准确的表述或许是“知识尚未实现资产化”。资料分散在不同系统里只是表面问题；真正深层的问题在于，知识没有被分类、治理、关联并赋予明确的用途。

图 5：刘琮玮《AI 原生知识库及其实践与应用》：构建 AI 原生知识库需要先形成全局知识资产底座（PPT 第 13 页）

知识萃取能力决定AI的上限

建立了资产底座，并不等于拥有了高质量的知识。

企业材料中包含了大量噪声：有些需求描述可能已过期，历史工单可能只记录了现象而未深挖根因，代码注释可能滞后于实际逻辑，问答记录可能带有临时口径，规则文档可能存在例外情况。如果将这些材料不加处理直接塞入知识库，反而会放大决策中的不确定性。

因此，AI原生知识库必须经历“炼真金”的萃取过程。

刘琮玮在分享中强调，知识萃取并非简单地做摘要，而是要从规则规范、执行过程与数据结果中挖掘出可复用的能力。PPT中列出的83个知识工程能力点、覆盖比例达到92.7%的知识库，说明这并非一次性清洗，而是一个持续进行的知识工程过程。

这个环节很容易被低估。许多企业知识库项目之所以失败，并非因为模型不够强，而是因为进入模型的知识没有经过严格的工程化处理。当模型面对一堆文档时，它虽然能生成流畅的答案，却未必清楚哪些内容属于硬性规则，哪些属于具体案例，哪些属于例外情况，哪些仅仅是一次性的临时处理结果。

真正高价值的知识库，需要将这些原始材料转化为更加稳定、结构化的知识单元。

例如在研发场景中，历史缺陷不应仅仅被看作“曾经出现过的bug”，而应沉淀为风险模式、测试规则、代码审查提示以及上线前的检查项。在客服场景中，历史问答不仅仅是FAQ，还可以提炼为意图识别规则、政策边界、异常升级流程以及服务操作规范。在运维场景中，故障记录也不仅仅是日志摘要，还可以转化为诊断路径、处置预案与恢复标准。

这一步直接决定了AI应用的能力上限。没有知识与工程能力的萃取，知识库就只是更大的语料池；完成了萃取，知识才真正开始演变为可调用的组织能力。

图 6：刘琮玮《AI 原生知识库及其实践与应用》：AI 驱动知识萃取与工程能力建设决定知识库质量上限（PPT 第 15 页）

知识不是孤立片段，而是一张关系网络

RAG系统最常见的问题之一，就是当知识被切分成片段后，原本内在的关联关系也随之断裂。

当用户提出一个问题时，系统会召回若干相似段落，然后交由模型生成答案。这种方式虽然适用于简单的资料问答，但对于复杂的业务任务往往力不从心。因为真实业务问题几乎不依赖单个片段，它需要实体、规则、流程、上下文、上下游系统以及历史经验之间的复杂关系。

刘琮玮将其称为“结智网”，即构建知识库的神经网络结构。

PPT中提到的超过55万实体量、231万关系量已经表明，这里所说的知识库早已不只是文档集合，而是将知识单元进行网络化的连接。实体代表业务对象、系统、接口、规则、任务、问题与能力；关系则代表依赖、包含、触发、影响、适用、相似、冲突等多种连接形式。

这对于Agent来说至关重要。Agent在执行任务时，并非只是简单找一个答案。它需要了解某个概念关联着哪些系统、某条规则适用于哪个场景、某个缺陷可能影响哪些模块、某个动作需要满足哪些前置条件，以及某个结果失败后应当追溯到哪一类原因。

如果没有知识网络的支持，Agent只能在零散的片段中来回搜索；而建立了知识网络之后，Agent才有机会沿着业务关系进行逻辑推理和判断。

图 7：刘琮玮《AI 原生知识库及其实践与应用》：知识图谱和实体关系让知识库具备网络化理解能力（PPT 第 16 页）

刘琮玮用“基于地图的无向量检索”这一概念做了非常形象的类比。

传统的向量检索就像在大海里捞针，系统根据语义相似度找出若干文本片段。这种方式可以解决不少问题，但面对复杂的业务任务时，容易出现召回结果不稳定、关系信息丢失、检索路径不可解释等问题。

而基于地图的检索更像是导航。系统先生成一份完整的知识地图，随后让大模型在地图上进行自主搜索、分类与召回。它不再只是问“哪段文字最相似”，而是追问“这个任务应该沿着哪条知识路径前进”。

这一点对企业AI落地非常关键。因为企业场景中的正确答案，往往并非某份文档中的原句，而是跨多个知识点进行组合后得出的判断。例如，一个上线风险判断可能同时需要需求变更记录、历史缺陷数据、依赖接口说明、测试覆盖情况、权限配置信息以及业务高峰期背景；一次客服处理建议可能同时需要用户身份、产品规则、服务承诺、异常升级流程以及历史处理结果。

如果系统只能做相似片段检索，它很难支撑这类需要综合判断的复杂任务。企业智能体真正需要的，是一张可供导航的知识地图。

图 8：刘琮玮《AI 原生知识库及其实践与应用》：基于地图的无向量检索从“相似片段”走向“知识路径导航”（PPT 第 17 页）

AI 原生知识库最终必须融入任务流

许多知识库项目完成开发后，往往止步于问答界面。用户输入问题，系统返回答案。这一交互入口固然有用，但如果知识库只服务于问答，其价值将被局限在“辅助查询”层面。AI原生知识库要真正释放价值，就必须进入业务任务流，成为Agent能够调用的工作接口。

刘琮玮在分享中展示的知识库应用查询实例，将这一点阐释得非常具体。它不再是简单的“用户问题-检索-回答”流程，而是细分为Skill层、Gate层、Navigator层、Executor层和MCP/Database层。

这种分层设计表明，知识库应用已经不再是单纯的检索系统，而是在承担任务编排与执行支撑的关键角色。

Skill层负责面向用户封装能力，让知识库能够直接服务于具体的业务动作。Gate层负责身份校验、权限控制、风险拦截与请求规范，避免知识被错误访问或滥用。Navigator层负责知识路径选择、问题拆解与上下文组织。Executor层则负责执行具体的查询、调用与结果整理。底层数据库与MCP则承接数据源、工具和系统接口。

这套架构背后的核心判断是：企业知识不仅是给人看的，更是给AI调用的。

当知识库成为Agent的工作接口后，企业就可以将知识接入更多业务流程：研发需求理解、测试用例生成、缺陷诊断、客服辅助、业务运营、质量分析、数据洞察以及合规检查。在每一个场景中，知识都不再是被动查询的资料，而是转化成了行动建议、执行步骤或判断依据。

图 9：刘琮玮《AI 原生知识库及其实践与应用》：知识库应用查询实例展示了从 Skill 到执行层的任务支撑链路（PPT 第 24 页）

落地效果来源于“知识工程 + 应用工程”的结合

刘琮玮分享中最后一组值得关注的数据，是多场景落地的实际效果。

PPT展示了知识生成效果的提升、多业务场景的落地情况、接入场景数量以及平均效果提升等关键指标。其中最有借鉴价值的并非某一个具体数字，而是它背后所体现的方法论：知识库的效果提升并非仅仅依靠模型升级，而是来自知识工程与应用工程的紧密结合。

知识工程解决的是“AI依靠什么知识”的问题，而应用工程解决的是“这些知识如何进入具体的业务动作”的问题。

如果只关注知识工程而忽略应用工程，知识库很可能会变成一个功能强大却被闲置的后台系统；反过来，如果只关注应用工程而忽略知识工程，Agent虽然能够进入业务流程，却缺乏稳定可靠的知识支撑。两者只有紧密结合，才能实现多场景复用与持续改进。

这也正是许多企业AI落地过程中经常卡住的地方。

很多团队在初期会将资源集中在模型选型、界面设计与Demo展示上。等到系统进入真实业务环境后，才发现关键问题全都堆积在后面：知识来源不清晰、质量不可控、权限边界模糊、结果无法追溯、失败案例无法回流、场景之间难以复用。

AI原生知识库的核心价值，正是将这些棘手的问题前置到基础设施层面加以解决。

它使企业不必在每一次开发新的Agent时都重新搭建一套知识上下文，也不必在切换场景时从头整理经验。知识可以被持续生产、持续处理、持续消费、持续应用，最终逐步形成企业自身专属的AI能力底座。

图 10：刘琮玮《AI 原生知识库及其实践与应用》：多场景落地效果说明知识工程需要与业务应用工程结合（PPT 第 26 页）

结语：企业智能体真正稀缺的是可用知识

AI原生知识库并非传统意义上的资料库，也不仅仅是一个RAG系统。

它更像是企业智能体的工作接口：一边连接组织内部的文档、规则、经验、流程、数据与关系，一边连接Agent的任务理解、工具调用、权限控制、路径规划与结果反馈。

从这个角度来看，企业AI落地的核心关注点也将随之发生变化。

过去我们经常问：模型能不能回答这个问题？现在更应该问：组织有没有把相关知识做成AI能够直接使用的资产？知识是否经过了充分的萃取与治理？实体与关系是否已被有效连接？Agent能否沿着清晰的知识路径完成具体任务？权限、风险与反馈机制是否已融入系统？这一次的使用经验，下次是否还能够被复用？

刘琮玮在腾讯PCG的实践经验提醒我们，企业AI的长期竞争力不会仅仅来自某一次模型调用，而是源于知识资产、知识网络、任务接口与反馈闭环的持续建设与迭代。

这也是AiDD北京站值得继续深挖的方向。从上海站聚焦的AI原生知识库，到北京站正在规划的关于数据工程、知识检索、知识密集型智能体、语义孪生、Harness Engineering与企业智能体等议题，核心问题其实贯穿着同一条主线：当AI开始进入真实工作流，企业如何将分散的经验转化为可调用的能力，如何将静态的知识库升级为动态的任务系统的一部分。

对于正在推进企业智能体建设的团队而言，这已经不是“要不要做知识库”的问题，而是“知识库要不要全面升级为AI原生基础设施”的问题。

如果答案是需要，那么第一步就不是再上传一批文档，而是重新梳理：哪些知识真正构成了业务能力，哪些知识需要被进一步萃取，哪些关系需要被显式化，哪些接口需要让Agent能够安全地调用。

资料库解决的是“在哪里找”。而AI原生知识库要解决的是“AI如何基于组织知识做对事”。