当前企业AI普遍围绕上下文工程搭建，团队对接企业系统，生成文本块与向量嵌入，搭建检索管线，为单个AI应用组装所需上下文。该模式在独立助手、副驾驶类应用中运行良好，但仅将企业知识视为应用专属的上下文资源，而非可共享的企业资产。
随着企业部署的AI应用与智能体数量增长，原有模式开始失效。不同团队处理同一批文档，维护独立的向量嵌入与索引，对同一业务知识形成不一致的表达。当前企业AI面临的核心挑战已不再是为AI系统提供上下文，而是企业知识本身的管理。
现有模式失效的核心原因有三点。首先是知识一致性问题，企业知识分散在多个独立系统中，不同系统的 schema、业务定义、更新周期存在差异。同一产品、客户或业务流程，在文档、项目工单、源代码、客户管理系统、元数据中的描述可能存在差异甚至相互矛盾。直接提取这类信息作为上下文，只会将矛盾转移到AI应用中，导致不同智能体对业务形成不同理解。
其次是变更同步难度高，企业知识处于持续迭代状态，但每个应用单独维护自身的上下文管线。文档、代码、业务定义发生变更时，下游的文本块、向量嵌入、索引、智能体上下文会独立更新，导致不同AI应用基于同一知识的不同版本运行。
第三是管线重复建设，不同团队处理相同的企业知识，生成相似的向量嵌入，维护独立索引，为不同应用搭建重叠的上下文模块，带来工程资源重复投入、不必要的基础设施成本、知识碎片化等问题。
这些问题本质不属于上下文工程范畴，属于知识管理问题。过往企业数据平台通过统一管理结构化数据、跨应用共享的方式，解决了同类问题。当前企业AI需要同样的架构规范，搭建共享式企业知识平台，统一管理知识，为所有AI应用输出可复用的标准化表达。
企业知识平台将知识管理拆分为四个层级，各层级权责清晰。知识先以原始形式留存，再标准化为可管理的知识对象，随后打通为统一的企业知识模型，最终输出适配不同AI应用的优化表达。各环节可独立演进，同时为所有下游应用提供一致的基础。
第一层为原始层，该层对接所有企业系统，留存信息的原始形式与来源标识，覆盖数据库记录与变更事件、各类文档、知识库页面、项目工单、源代码、接口返回结果、邮件、图像、事件流等内容。该层的作用并非直接为智能体提供可用信息，而是维护可靠的回溯来源，当提取逻辑变更、模型升级、下游表达损坏时，可重新处理信息，无需依赖应用专属的副本。
第二层为精炼层，该层将异构来源的信息转化为标准化的可管理知识对象。每个来源的信息都会被转化为一致的表达，同时保留身份标识、元数据、权限、版本、血缘、原始内容引用等信息。例如一份产品需求文档，会被转化为包含文档ID、产品ID、标题、来源系统、作者、版本、权限、标签、创建时间、最后修改时间等元数据，以及对应内容的结构化知识对象。该层不会尝试打通不同业务域，只为所有企业知识来源建立可复用、可治理的标准化表达。
第三层为整合层，该层将独立的知识对象转化为统一的企业知识模型，一方面打通跨系统、跨业务域的知识关联，另一方面构建AI推理所需的业务关系。知识关联可通过共享业务标识、明确的跨系统引用实现，无直接关联时可借助AI实体识别完成。例如描述批量发票上传功能的产品需求文档、对应功能开发的项目工单、功能上线的发布说明，即使没有明确关联，也可被识别为指向同一业务能力。完成关联后，平台会基于实际业务逻辑构建业务关系，覆盖实现方、从属关系、影响范围、依赖关系等，还原业务真实运行逻辑，而非仅记录数据层面的关联。这类关系可覆盖工程、产品、客户支持、财务等多个域，为AI提供全企业的统一认知基础。
第四层为服务层，该层与多数企业AI应用使用的上下文层逻辑相似，但搭建在统一管理的企业知识基础之上。它将企业知识模型转化为适配不同AI工作负载的优化表达，主要分为两类。一类是全企业共享的通用表达，包括SQL视图、搜索索引、文本块、向量嵌入、图模型、接口等，一次构建即可在全组织复用。另一类是智能体专属表达，平台无需单独维护企业知识副本，可根据每个智能体的需求，从整合后的知识模型中动态组装任务专属的上下文。产品智能体、营收智能体、客户支持智能体可基于同一企业知识基础，获取适配自身职责的不同上下文。
现有多数企业知识系统面向人类用户搭建，大语言模型的出现彻底改变了企业知识的消费方式，机器可实现自然语言理解、文档推理，以过往仅人类可实现的方式与企业知识交互。这一变化不仅需要新的AI应用，更需要新的数据基础，将企业知识作为基础设施管理，而非仅处理为单一的向量嵌入。
统一管理的企业知识平台可实现多类原有模式下难以达成的能力。知识全生命周期管理支持增量加载、变更同步、版本管理、历史推理，无需逐个重构所有上下文管线。治理与可信能力提供全链路血缘、可追溯性、权限管控、权属管理、质量校验，AI输出的结果可溯源到原始企业信息来源。可复用知识服务支持共享的搜索索引、向量嵌入、图模型、SQL视图、接口、动态上下文组装，可跨应用复用，无需为每个智能体重复搭建。持续迭代能力支持存储、检索、嵌入模型、AI应用独立演进，智能体的反馈可回流到平台，经过校验、治理后整合到企业知识模型，再发布给下游AI应用，形成闭环持续优化企业知识，支撑智能体持续演进。
2022年底ChatGPT3发布以来，行业在基础模型、RAG架构、向量数据库、向量嵌入、多智能体框架等技术领域投入大量资源，AI应用栈快速成熟。当前企业AI的瓶颈已不再是模型或智能体框架，而是其背后的企业数据基础。AI智能体的能力上限由其消费的数据与知识决定，更好的模型无法弥补碎片化文档、不一致的业务定义、零散的系统、管理不善的企业知识带来的缺陷。和过往所有数据驱动的系统一样，企业AI最终遵循垃圾进垃圾出的原则。
当前企业最重要的投入方向已不再是搭建更多AI智能体，而是搭建支撑所有智能体的企业知识平台。将企业知识视为共享基础设施而非应用专属上下文的组织，可搭建更可靠的AI系统，加快新应用开发速度，在全企业范围内规模化落地AI，无需重复搭建相同的知识基础。未来企业AI的竞争优势不会来自搭建更多智能体，而是来自搭建所有智能体依赖的数据与知识基础。
本文首发于 亿邦动力 官方网站
免责声明：本内容全程由AI生成，请注意甄别信息。若存在信息错漏、理解偏差，欢迎随时指正。
如您发现问题，请发送邮件至 ai-content-feedback@ebrun.com 。
文章来源：亿邦动力
