企业用好 AI 的第一步：
让自己的知识进入业务

金尘马当 AI 原生遇到传统企业2026 年 8 月
关于我
分享人
分享人金尘马
金尘马
北京交通大学计算机硕士
前阿里、美团技术研发
全网 4 万+粉丝 AI 自媒体博主
OPC 实践者
企业 AI 应用落地
开场问题
公司明明积累了那么多资料和案例，
为什么新问题来了，
大家还是只能去问最有经验的人？
PART ONE

为什么是现在

AI 正从回答问题走向参与任务

为什么是现在
AI 能力演进

三年时间，AI 从会聊天走到了会做事

2022 年末—2023 年

会对话

普通人第一次可以直接用自然语言与大模型交流

2023 年

会调用工具

连接 API、数据库和外部系统，开始发起真实动作

2024 年

会复杂推理

在回答前进行更充分的推理，处理多步骤问题

2025—2026 年

Agent 成为主线

寻找资料、使用工具、连续执行并交付结果

生成一次回答 → 调用一个工具 → 完成多个步骤 → 参与一段真实工作
资料：OpenAI，ChatGPT（2022）、Function Calling（2023）、o1（2024）、Agents 工具（2025）
过去的数字化
数据 ≠ 结论 ≠ 行动

数字化留下了数据，分析和使用仍然依赖人

01

记录

  • 订单、客户与审批
  • 生产、成本与经营结果
  • 留下客观发生的事实
系统完成记录
02

分析

  • 变化为什么发生
  • 哪些现象已经形成规律
  • 下一次应该怎样处理
人完成判断
03

使用

  • 进入下一次咨询
  • 影响下一次报价和交付
  • 让结论真正产生行动
人主动调用
过去的知识库
根本矛盾

过去的知识库，为什么总像一个美好的乌托邦？

01

关键经验在一线

真正影响结果的条件、例外和判断，往往掌握在最懂业务的人手中。

02

最懂业务的人最难整理

他们的精力优先放在客户、项目和交付。

没时间没动力难表达
03

文档逐渐失真

关键判断没有写进去，集中整理一次后也很难持续更新。

04

工作仍依赖老员工

内容不完整、过期或不可信，遇到问题最后还是去问人。

新的可能
人机分工

大模型和 Agent，给企业知识管理带来了什么变化？

过去：业务人员从零写文档
→
现在：AI 先整理，人负责核验和修改
过去：员工主动搜索、理解和拼接
→
现在：Agent 根据任务寻找并组织资料
过去：集中整理一次，随后逐渐过期
→
现在：实际结果和人工纠错可以继续写回
AI 不替企业承担判断，但让企业自己的资料可以直接进入任务。
PART TWO

我的个人知识库

让过去的积累进入下一次工作

个人案例
3451 份 Markdown 文件

材料越来越多，但真实工作仍然容易从零开始

个人知识库目录截图
日记、会议、概念、实体、项目、写作……
个人知识库关系图谱
当前 3451 份 Markdown 文件
材料越多，越需要让过去的积累主动回到任务中
个人案例
三层结构

我的知识库分三层：原件不动，AI 编译，任务调用

个人知识库三层结构：原始资料层、AI 编译层、任务调用层
个人案例
人物知识画像

当资料被连接起来，知识库开始呈现一个人的完整脉络

个人知识库人物画像：基本信息、人物概要、2026 年时间线、关联实体、AI 人物分析与会议提炼
个人案例
正在发生的真实任务

以这份 PPT 为例：知识库怎样参与一次真实创作

原始资料

活动沟通、会议原稿与历史逐字稿

原始要求：
面向传统企业主，约 40 分钟；使用个人与企业两个案例；不讲成技术教程。
→
AI 编译

项目背景、相关观点、案例与表达边界

项目判断：
两个案例不是并列介绍，而是从“一个人不再从零开始”递进到“团队不再只依赖某个人”。
→
任务输出

分享大纲与演示内容

当前结果：
AI 准备工作底稿，我决定中心结论、案例顺序、取舍和最终表达。
个人案例
数据的复利

个人数据的复利，来自一个不断自我校准的成长飞轮

个人成长飞轮：记录经历、AI 连接、看见规律、复盘校准、改变行动、产生新记录
效率少搜索、少从头组织
变化看见观点、关系和项目如何演变
成长发现有效方法、错误与盲区
PART THREE

留学机构案例

从一个人的系统扩展到一个团队

留学机构案例
问题

客户只问一个问题，顾问却要翻遍三类知识

01

外部事实

  • 院校与专业要求
  • 学费、学制与截止日期
  • 签证、认证与政策
回答：现在公开规则是什么
02

机构业务资产

  • 脱敏客户案例
  • 咨询记录与常见问题
  • 申请 SOP 与复盘
回答：过去怎样处理过
03

顾问判断

  • 适用条件与例外
  • 服务边界
  • 需要负责人确认的风险
回答：这位客户怎样讨论
它们分散在不同文件、不同时间和不同人手里，更新频率也完全不同。
留学机构案例
方案

把分散资料变成可核验、可调用的机构知识

01

保存原件

原文不删除、不覆盖，保住证据和版本。

02

AI 整理

提取事实、来源、年份、缺失和冲突。

03

员工核验

对照原文检查适用范围和有效期。

04

负责人审核

确认申请路径、例外、边界和对外口径。

05

标记可用

记录审核人、日期与当前知识状态。

AI：整理与发现问题员工：核对事实负责人：确认判断与边界
留学机构案例
应用

一次咨询中，知识库、Agent 和顾问怎样协作

“跨专业、预算有限，能不能申请英国公共卫生硕士？”

先补齐专业、成绩、语言、预算与目标，再进入判断。

01

定位资料

政策、院校、案例、问答和 SOP

02

生成底稿

列出事实、缺口与可讨论路径

03

提示风险

标明来源、日期、不确定项和例外

04

顾问判断

结合客户实际情况补充、修改与确认

05

结果写回

新问题、纠错和实际结果继续沉淀

留学机构案例
结果

最终得到一套随业务持续迭代的系统

知识库与 Agent 持续迭代，并支撑咨询服务、GEO、自媒体素材和文案与内容输出
PART FOUR

企业怎么搭建自己的知识库

从业务场景选择知识库形态

回到自己的企业
五种实现形态

当前企业知识库，常见有五种实现形态

01

直接投喂

少量资料，临时分析与单次任务

几乎没有建设成本
02

目录化知识库

稳定目录，Agent 可以持续读取和更新

个人、小团队
03

索引地图

增加主题入口与阅读顺序，跨项目连接资料

资料开始变复杂
04

RAG

大量文档难以稳定定位时，引入专业检索

解决检索规模问题
05

系统集成

接入 CRM、客服、数据库、权限和业务流程

多人、高频、强协作
它们不是必须逐级升级的阶段，而是围绕业务需求选择和组合。
回到自己的企业
搭建全景图

搭建企业知识库，要从业务问题出发，再回到业务结果

01

确定业务场景

咨询、销售、交付还是新人培训？

02

盘点知识来源

文档、案例、一线经验与系统数据。

03

整理并确认

AI 整理，业务人员核对事实、版本与例外。

04

选择实现形态

根据资料规模、检索难度和协作要求选择。

05

接入真实工作

让员工在任务发生时直接调用。

06

根据结果更新

把纠错、新案例和规则变化写回。

→
→
↓
←
←

知识库不是资料仓库，
而是人与组织共同进化的基础设施。

业务产生知识→知识进入任务→人完成判断→结果继续写回↺

谢谢大家

金尘马｜企业知识库与 AI 应用落地

个人微信二维码

添加个人微信

公众号二维码

关注公众号：金尘马

持续获取 AI 工具教程、落地经验