作者： 吴庆海聊知识管理 来源： 吴庆海聊知识管理

关注我们 获取更多精彩内容

春日乍暖还寒，在「花城」广州，却已花红草绿，鸟啼蛙鸣。黄浦区创业公园之畔，中国电力企业联合会知识管理标准化技术委员会年会正在召开。作为委员，吴庆海博士应邀出席本次年会并发表主旨演讲，本文基于演讲内容略有删改。

近几年，数字化、AIGC、LLM、ChatGPT、RAG等热词层出不穷，许多企业都在寻求未来战略转型与升级，思考如何落地。

我们最近给一些行业头部企业客户服务时，也不断在思考：人工智能背景下的新一代知识管理，将会如何发展及落地？

2024年2月，《2024中国知识管理调查分析报告》刚刚发布。

这项调查由创新与知识管理联盟IKMA、行者互联公司和孙行者平台联合，继“2021中国知识管理调查”后，又开展了“2023中国知识管理调查”活动，持续跟踪中国知识管理发展变化状况。

该报告中内容丰富，此不一一赘述。选择其中“知识管理从业者获得专业支持期望”一项内容，相应的数据如下图所示。

知识管理从业者希望进一步获得的专业支持

数据来源：2024中国知识管理调查分析报告

在两次调查数据中，知识管理从业者对“人工智能技术应用”的渴望都排进前5位。

实践中，我们做的许多知识管理项目，都源于企业客户的数字化转型项目。

那么数字化、人工智能、知识管理之间到底有什么关系？

关于数智化的思考，来源：吴庆海博士

对照经典的DIKW模型（关于其详细描述，请参看文章《知识管理基础——什么是知识》），我们不妨进行解读。

数字化，是计算机将万事万物以0和1的编码方式进行的处理，主要还是在数据、信息的层面，是自下而上的过程。

智能化，是让计算机尽可能模仿、模拟人类的思维思考，开始涉足知识的层面，是自上而下的过程。

数智化，约等于数字化加智能化。

与数据、信息不同，一旦到知识层面，就会涉及到人，就会涉及到认知，就会涉及到心智模式，涉及人的“意识”形态，这可谓一个分水岭。

基于大模型ChatGPT类产品横空出世，一定程度上具备了人的“意识”形态特征，预示人类新的“智能纪元”的到来。

是背后本质上看，“数智化”其实弥补了“数字化”中所缺乏关于“意识”形态特质的东西。

数字化是以大数据分析与处理为基本特征。

智能化则是以知识管理、机器学习、人工智能等为核心要素。

数智化是二者在运营过程中的融合与应用。

面向未来知识管理的发展，笔者一直在提倡**「ABC式」的知识管理** 。

所谓的“A”，指的是AI-oriented Knowledge Management，即面向AI技术的知识管理 。

所谓的“B”，指的是Business-oriented Knowledge Management，即面向业务场景的知识管理 。

所谓的“C”，指的是Collective-oriented Knowledge Management，即面向集体智慧的知识管理 。

「ABC式」的知识管理，来源：吴庆海博士

1）AIoKM-面向AI技术的知识管理

不以AI基础能力为底座，不能称之为真正的数智化。

我们需要充分利用数字与智能技术，在诸如智能分类、智能推荐、知识图谱、智能搜索、智能知识生成、智能助手等应用有新的突破。

知识管理平台建设是基础建设工程，其固有的功能，例如知识全生命周期的识别、生产、审核、发布，结构化展示，协同、后续维护、运营，是每天员工都需要的。

人工智能技术应用是未来发展方向，在智能搜索、智能问答、智能创作等方面有着巨大的应用前景。

在知识管理平台建设过程中应用人工智能技术，有助于提升用户体验和服务效果。

同时，知识管理也是人工智能技术在企业内部应用的重点场景之一，在知识管理方面先行先试的探索将为未来公司大模型建设打下基础。

建设功能完善、内容丰富的知识管理平台，是未来大模型应用的前提和基础，构建结构化的知识图谱能提升大模型数据训练时效。

2）BoKM-面向业务场景的知识管理

很多人都会抱怨“知识管理与业务是两张皮”。

但如何把知识管理真正融入到业务中去，一直是业界的一个难题。

近几年在服务客户的过程之中，提出了“面向业务的「知识水滴」知识管理三层框架 ”。

逐步总结出面向业务的知识管理BoKM的一些基本做法，如“画圈圈”、“连块块”、“挂点点”等。

具体描述可参看《**面向业务的知识管理BoKM如何才能真正落地** 》文章。

强调知识从业务中来，知识又服务于业务。

基于场景感知的知识推送，基于专家、岗位、专题、项目等的知识萃取，都需要不断开拓。

上善若水，知识如流。

不以业务绩效为产出的知识管理就是耍流氓。

3）CoKM-面向集体智慧的知识管理

现在，大家不仅需要关注与知识管理专业相关的“硬技术”，更需要关注与知识管理领域相关的“软势力”。

例如提升员工知识管理意识、培育组织知识共享文化、营造团队知识创造场域等。

解决复杂问题，提升原创能力，挖掘人的自性宝藏，找到人的价值定位。

强调人的主动性，激发人的自驱力。

员工不是螺丝钉，需要依赖人的创造性，人人争做发动机。

以实际项目中共性的痛点问题为导向，采用私董会、行动学习、实践社区、创新果酱 等模式，通过现场激发团队的智慧，最终让问题得到解决。

大多的讨论、共创场景，多会聚焦在一些具体主题或问题上。

如果提前能有一些结构化的模板框架做指引，则可以让整个讨论过程及要点记录更高效。

集体智慧画布模板，来源：吴庆海博士

为此，我设计了一个“集体智慧画布（Collective Wisdom Canvas，简称CWC）”模板，具体描述可参看《**知识管理工具——引导技术及集体智慧画布CWC的使用** 》文章。

众多的大语言模型LLM的出现，曾经让许多企业用户感觉可以解决一切的问题。

但是最近企业实践表明，大模型在知识幻觉、信息过时、参数化知识效率低、缺乏专业领域的深入知识、推理能力弱 等方面的不足开始凸显了出来。

大模型可以生成流畅、连贯的文本，但生成的信息经常不准确或不一致，而企业里需要的往往是精准、确切、不能出错的知识。

防止大模型产生幻觉的方法之一，就是使用能提供事实知识源的知识库，例如向量数据库或知识图谱。

向量数据库使用高维向量来表示数据，擅于表达实体或概念之间的相似性或相关性，非常适合相似性搜索和最佳匹配搜索。

知识图谱用于捕捉实体之间复杂的关系和依赖关系，并提供语义分析和推理能力，相应的图数据库擅于表达对象之间的关系。

因此，将大模型+知识库结合起来，形成所谓的RAG模式 ，可能是当前最靠谱的一种落地方式。

RAG的全称是Retrieval-Augmented Generation，中文翻译为检索增强生成 。

它能够为大模型提供外部知识源，能够生成准确且符合上下文的答案，同时能够减少模型幻觉。

RAG的基本流程是，当回答问题时，先从企业知识库中已积累的大量知识中检索到相关信息，然后基于这些信息，再让大模型生成答案。

在已经具备强大功能的大模型基础上，RAG通过扩展其能力，使其能够访问特定行业知识库、垂直领域知识库或企业内部知识库，而无需重新训练模型，因此也更具有经济性。

RAG的发展等会对知识管理产生哪些影响呢？可能需要在如下几个方面特别关注：

1）在知识基础形态和知识质量方面

提升知识的结构化、标准化，以新的知识形态（例如以“主题+内容段落+索引标签”形成一个一个基本知识单元），降低知识预处理难度，更容易被AI利用（AI-friendly）。

2）在知识分类及标签体系方面

需要融合多种方式，重构知识多维分类及标签体系，兼容企业官方定义的分类（如业务、专业、岗位、产品、客户、部门、场景等分类）、用户上传知识时自己打的标签、搜索/问答等大家键入的关键词以及大模型自动提取的关键信息标签等。

3）在企业的知识全链路运营方面

在知识生产、知识流通、知识消费这个全链路中，需要积极应变，例如制定文档（图片/音频/视频）制作的标准和范例，引导员工按照标准模板和优秀范例去生产各种word、excel、PPT等文档和其他形态知识。

4）在企业知识管理体系方面

以用户视角、应用视角，重新审视企业知识管理体系，看看知识搜索、问答、推荐、应用等时，用户具体要什么、他们会怎么问，并对这些需求做总结和抽象，同时也需要考虑AI效果如何评估，AI测试集、训练集如何搭建等。

在人工智能时代的大背景下，每个行业、每个企业都需要培育、训练出自己的AIKM智能体 。

所有人的角色也会发生重大的转变。

普通员工需要掌握使用AI技能，加速成为专家；

作业员工具备数据知识，需要持续训练AI；

业务专家需要向AI高级训练师和KMer转变。

在这样时代洪流中，知识管理者应该做哪些准备呢？

第一，加快构建属于自己行业专业领域的知识库。

第二，基于业务场景向智能化方向不断去探索。

第三，回归人的本质并发掘人的创造性及潜力。

《道德经》有云：江海所以能为百谷王者，以其善下之，故能为百谷王 。

未来的AIKM智能体，就是我们的百谷王。

备注：文中观点仅代表作者当下的认识，不够究竟圆满之处，请多指教斧正。自利利他，如果觉得文章还不错，对其他人有点帮助，欢迎转发分享。

推荐阅读

面向业务的知识管理BoKM如何才能真正落地

知识管理工具——引导技术及集体智慧画布CWC的使用

更多AI工具，参考Github-AiBard123，国内AiBard123