你的企业知识库只是为搜索而建，而非为行动
文/Hemang Upadhya 资深产品与 AI 负责人
企业知识系统最初是围绕一种我们都很熟悉的人类工作习惯构建的。员工搜索信息，打开几份文档，对比细节，然后决定下一步怎么做。这个过程之所以行得通，是因为员工能够自行提供上下文背景，察觉其中的矛盾之处，并且明白什么时候某项政策并不适用。
但 AI Agent 的兴起改变了这一模式。Agent 在找到一个答案后可能不会停下来，它可能会推荐产品、批准特例、更新客户记录、分派服务工单，甚至启动一个工作流。一旦信息被用来触发实际行动，那么一个仅适用于“搜索”场景的知识库，可能就不再足以支撑“执行”场景的安全需求了。
问题不在于缺乏内容。大多数公司的内容其实已经太多了。政策、产品规格、支持文章、销售指南和流程文档往往分散在多个系统中，并且存在多个版本。真正的问题在于，知识层很少能告诉机器：哪个信源是最新的、它适用于什么范围、谁对它负责，以及它是否被允许用来驱动决策。
搜索相关性不等于权威性
传统的企业搜索旨在返回有用的结果。它试图找出与用户问题最相关的文档。这对于能够解读屏幕信息的人类来说非常有价值。
但 AI Agent 需要更严格的标准。它必须判断某个信源是否有权在特定情境下影响某个具体的行动。
一个政策页面可能在搜索中排名很高，但它可能已经失效了。一份产品文档可能很准确，但仅适用于某个国家。一篇支持文章可能描述了通用规则，却漏掉了合同中的例外情况。一份销售指南可能提供了有用的建议，但并没有权限去更改订单。
经验丰富的员工通常能凭借判断力和对业务的熟悉度来识别这些限制。但不能指望 AI Agent 仅凭文本就能可靠地推断出这些区别。这些界限必须在知识本身中被明确界定。
让知识可用于行动的五个关键细节
公司不一定需要一个新的内容平台，但确实需要一种更规范的方式来描述高影响力的知识。
第一个要求是所有权（Ownership）。 每一个可能影响重要行动的政策、规则或指令，都应该有一个具名的业务负责人。像“知识团队”这样宽泛的标签是不够的。必须有一个具体的角色或职能部门对准确性、审查和冲突解决负责。
第二个要求是有效性（Validity）。 系统应该记录信息何时生效、何时过期以及何时必须复查。“最后修改日期”并不是一个可靠的替代品。因为一份文档可能只是为了修改拼写错误而编辑，但这并不改变政策有效的时间范围。
第三个要求是适用范围（Scope）。 信源应该说明它适用的范围。范围可能包括国家、产品线、客户类型、销售渠道、合同或流程阶段。明确的范围可以防止正确的规则被错误地应用到不匹配的案例中。
第四个要求是行动权限（Action Authority）。 每个信源都应该表明它被允许支持什么类型的操作。它可能仅提供背景信息、回答问题、建议下一步，或者授权某个行动。这种区分在当前的知识系统中经常被忽略。
第五个要求是升级机制（Escalation）。 系统应该明确当信源之间存在冲突、所需信息缺失或请求的行动超出了信源权限时会发生什么。在这些情况下，正确的结果可能是由人工进行审查，而不是由机器自动做出决策。
检索与执行的边界
一个务实的设计方案是在“搜索”与“行动”之间设置一道政策与证据的检查关卡。AI Agent 可能会检索到多个可能的信源，但应该由一个独立的、基于规则的服务来评估这些信源是否最新、是否与当前案例相关、是否具有权威性，以及它们之间是否一致。
与其给 Agent 提供一堆松散的文档，不如让这个服务生成一个“决策包（decision package）”。这个包可以包含选定的规则、支持证据、适用范围、未解决的冲突以及被允许执行的操作。
控制的力度应当与风险等级相匹配。对于低风险任务（例如总结内部指引），可能只需要记录信源即可。而对于高风险任务（例如更改客户账户、退款或应用商业特例），则需要更强有力的证据、明确的规则，或者人工审批。
这种方法让大语言模型保持灵活性的同时，将业务权威性保留在模型的提示词（prompt）之外。
知识质量必须变得可度量
许多公司通过点击率、搜索失败率和结果相关性来衡量搜索质量。这些指标仍然有用，但当知识能够直接导致行动时，它们就不够用了。
公司应该追踪有多少高影响力的内容在其规定的周期内得到了审查。它应该衡量权威信源发生冲突的频率、有多少重要内容缺乏负责人，以及哪些工作流拥有足够可靠的知识来支持安全的自动化。
这些指标将知识质量从一个“发布层面的问题”转变为一项“运营能力”。它们还能让企业在 AI Agent 在客户或员工交互中暴露这些缺陷之前，就提前看到差距所在。
从一个重要工作流开始
公司不需要在使用 AI Agent 之前清理完所有文档。更好的方法是从一个 Agent 可能会影响重要决策的工作流开始。
团队应该梳理该工作流中的决策点，并识别每个节点所使用的知识。然后，针对每个信源审查其所有权、有效性、范围、权限和升级机制。团队还应该测试失败案例，包括过时的指引、冲突的指令、缺失的范围界定以及缺失的责任人。
这一练习通常会表明，检索并不是最难的部分。更难的问题在于：公司准备好让机器依据哪些信息来采取行动了？
企业知识管理的下一阶段，将不再仅仅由更大的存储库或更好的搜索来定义。它将取决于知识层能否解释什么是真实的、它适用于哪里、谁对它负责，以及它被允许做什么。
为搜索而建的知识库帮助人们找到信息；为行动而建的知识系统帮助公司安全地使用这些信息。
来源：KMWorld
相关链接
经典培训课程
企业AI知识库搭建与运营培训课程
呼叫中心AI知识库培训课程
个人知识体系构建能力课程
书籍和资料
《卓越密码如何成为专家》
《你的知识需要管理》
免费电子书《企业知识管理实施的正确姿势》
免费电子书《这样理解知识管理》
