企业知识治理从样板间走向规模化生产的过程中，火山引擎团队提出的十万级文档处理难题暴露出传统方法的边界。本文深度剖析知识库建设从人工精修到规则提炼的三大阶段跃迁，揭示企业级知识管理如何通过准入机制、版本识别和可信度分层实现质的突破。

前几天和字节火山引擎团队开了个会，和他们交流了一些企业 AI 落地的思路和方法，也是希望双方之后能围绕企业 AI 项目形成更紧密的合作。

我在会上介绍了过去做知识治理、知识库建设和智能体落地的经验，包括资料怎么收集分类、文档怎么修改分片、评测集怎么做、上线后怎么验收、以及客户不配合时怎么推动。

整体流程和实施路径对方是认可的，也看得出我们在知识体系建设上很有经验，但聊到一个问题时，我却突然卡壳了。他们问：

“看起来你之前交付的项目，主要是在POC和样板阶段，要处理的知识文档数量最多几百份。但如果客户拿出来的资料是上万份，甚至十几万份文档，这种超大规模的知识文档该怎么治理？”

确实，尽管我做过不少知识类项目，对看资料、给整改建议、做评测集、推动业务部门改文档的过程很熟。但几十份、几百份资料可以这么做，就算到了千级，只要抽样、分类和评测配合得好，也还能推进。

但十几万份文档呢？还能指望顾问一份份打开看吗？

这个问题让我陷入了沉思——企业知识治理从样板走向生产环境后，实施方案上要做出什么调整？

个人知识库VS企业知识库

说起搭知识库，很多人第一时间想到的，可能是被无数自媒体推荐过的卡帕西的那套个人知识库管理方法。

大概思路是：把文章、论文、网页、笔记这些原始资料放到一个本地目录里，再让 LLM 把这些资料整理成一个结构化的 Wiki，最后用 Obsidian 来浏览、链接和维护。用得好一点，还可以结合 Claude Code、Obsidian 的知识库 Skill，把新增资料自动整理进现有的知识体系里，再让AI自动更新知识库结构。

这个思路对个人很有启发。

一个人做研究、写文章、整理项目资料，几十份、几百份文档，用这套方法已经能解决不少问题。因为个人知识库的使用者和维护者通常是同一个人。资料放在哪里，哪些可信，哪些只是临时记录，自己心里大概有数。回答就算有偏差，也能自己纠回来。

而企业知识库的复杂度，可远不止这个层面。

企业的资料通常不是一个人攒出来的。制度在 OA，流程在飞书，产品资料在网盘，历史项目材料在不同部门，培训课件可能是 PPT，业务数据还在 ERP、CRM、MES 这些系统里。更麻烦的是，每份资料背后还有部门、权限、版本、责任人、适用范围和业务场景。

如果只是个人知识库，文档多一点，最多是检索结果乱一点。但企业知识库一旦召回了旧版的制度，给出已经过期的口径，甚至是非正式材料，影响的可是客服、销售、法务、运营、财务这些真实工作。出了问题，谁来承担这个后果？

所以，企业知识治理，一定不能照搬个人知识库的思路。

个人知识库处理的是个人知识复用。企业知识库处理的是组织里的知识秩序。

企业知识库治理的三个阶段

知识治理在企业里，大致会经历三个阶段。

第一个阶段，是手工精修的样板阶段

企业刚开始做 AI 知识类项目时，通常不会一上来全公司铺开。比较稳妥的方式，是先选一个部门、找一个典型业务场景，再拿一批代表性资料出来，把第一个样板间跑通。

这个阶段的资料量通常不大。几十份，或者上百份。想一炮打响，人工介入就很有必要。

因为企业最开始拿出来的资料，通常都不是为 AI 准备的，它们是给人看的。人能看懂一页 PPT 里图和文字的关系，能理解一个表格里的合并单元格，能知道某个内部缩写是什么意思，也能判断一份老文档是不是还在用。

AI 可不懂这些背景。

所以早期治理要做得很细。PPT 图文混排严重，就要判断是不是要把它重写成Word格式，分段讲清楚文字和图片的关系。表格结构太复杂，就要看能不能拆成更清楚的字段和说明，只保留一层表头和一一对应的行列数据。制度文件有多个版本，就要找客户确认到底以哪一版为准。销售话术、客服问答、培训材料，如果没有明确问题和答案，也要考虑是否拆成 FAQ 或标准条目。

这些都是细活儿，要一篇一篇看，一条一条梳理问题，最终形成整改报告，虽然很辛苦，但它决定第一个样板能不能成功跑出来。

早期客户看的不是技术架构多完整，而是一个真实场景能不能用。能不能查到准确制度？能不能回答业务问题？能不能减少员工反复问人的时间，让业务部门觉得能切实减轻他们的工作负担。

样板阶段，手工精修的价值就在这里。

但这套方法的边界也很明显：如果项目从一个场景扩大到多个部门，资料从上百份变成上千份，还能一份份精修吗？如果每个部门都等着顾问逐条看、逐条改，项目周期会被拖成什么样？

到了这个阶段，治理方式必须换。

第二个阶段，是规则抽查的扩展阶段

千级文档还可以人工介入，但人工不能再承担全部细节。

这时候更合理的做法，是按：文档类型、业务部门、知识场景去抽样。

制度类的 Word/PDF 最容易评估，因为企业通常会对这类文档有着严格的格式要求，这时只需抽几篇会被高频提及的制度，重点看标题层级、版本号、适用范围是否明确，看图片是否有文字描述，看附件是否可描述，看印章水印是否单独解析即可。PPT 类材料，则重点看图文混排是否影响切片内容。表格类资料，需要注意字段、口径、上下文是否完整。FAQ 类内容，重点看问题和答案是否对应，答案有没有过期，是否存在多种口径。

抽查的目的，是找到共性问题。

比如抽了十份培训 PPT，发现大部分内容都依赖图示和现场讲解，但解析后同一个主题被分配到了多个切片中，导致上下文断裂，那就不能只改其中一份，要把这类 PPT 当成一类共性问题，统一要求改写成文档版，或者单独整理成问答条目。

再比如评测时发现流程类问题经常答错，就要去看资料里有没有明确流程，流程图有没有文字说明，旧版流程是否还在库里，问题问法是否落在系统能识别的范围内。

项目做大以后，单个 badcase 的价值有限，真正有价值的是把问题分类，观察出现回答失误的原因，是资料缺失、版本冲突、分片不合理、召回参数错误，还是业务问题本身没定义清楚导致意图未覆盖？

只有把问题归到类型上，后面才能批量整改。

这个阶段的核心工作，是要把顾问的个人经验，整理成“知识治理规则”，把工作拆给客户，让客户知道怎么自查，怎么整改，怎么判断资料是否合格。否则项目一扩大，就会从专业服务变成体力消耗。

当然，规则出来了，其中相对固定、判断逻辑客观可验证的那一类，也就可以交给AI帮我们初筛，这时就要进入第三阶段。

第三个阶段，是机器辅助治理的生产阶段

当文档量级进入万级，甚至十几万份，第一步就肯定不能是全量直接导入。

企业经常会有一个错觉：资料越多，AI 应该越聪明。

现实情况可没这么简单。

资料越多，就越会带来大量的重复资料、新旧混合的资料，口径相互冲突的资料，以及大量中间态的临时资料。把这些东西全部放进系统，系统会变聪明吗？当然不会。

• 如果一份新版制度和一份旧版制度同时存在，AI 该用哪一份？
• 如果一个产品说明在销售部、客服部、培训部各有一个版本，系统该以哪一份为准？
• 如果一份会议纪要里记录了某个临时讨论结论，它能不能作为正式回答依据？
• 如果十年前的工程文档还在库里，它是知识资产，还是检索噪音？

这些问题不先处理，你的文档越多，系统就越不稳定。

所以大规模知识治理的第一步，是做减法。企业要先判断，哪些资料有资格被检索，哪些资料只能归档，哪些资料需要人工确认后再入库，哪些资料应该直接剔除。

这里需要设计一道资料准入机制，先处理几个基础问题。

第一，去重。

企业历史资料里，同一份文档可能被复制、改名、转存很多次。文件名不同，内容高度相似。如果不去重，后面检索时就会召回一堆重复内容，既浪费算力，也干扰判断。

第二，识别版本。

知识文档不是静态的。制度会修订、手册会更新、流程也会调整。有些变化很小，只改了一个词，但业务意义已经变了。尤其是合规、法务、财务、风控场景，旧版本误用的风险很高。

第三，做相似聚类。

把主题相近、内容相近、场景相近的资料放在一起看，才能发现冲突。单看一份文档，可能觉得都对；放在一起看，就会发现同一个问题有三种说法。

第四，给文档画像。

一份文档至少要知道几个信息：它是什么类型，来自哪个部门，适用于什么场景，什么时候生效，谁负责维护，哪些人可以看，能不能作为正式回答依据。没有这些信息，系统即使能检索，也不知道该怎么用。

第五，判断来源可信度。

对外公开的正式制度、对内使用的业务手册、员工的培训课件、各种会议纪要、个人经验分享稿，这些肯定不能放在同一个可信度层级里。正式制度可以作为答案依据，培训课件可能只能作为辅助解释，会议纪要很多时候只能保留为背景材料。

第六，判断使用价值。

有些资料有归档价值，但没有问答价值。有些历史材料对复盘有用，但不适合进入前台回答。有些过程文档可以保留在后台，但无需被普通用户直接检索到。

这6个问题，都是准入机制要解决的，它负责回答：“什么资料值得放入知识库”的问题。

做完这些你会发现，企业知识治理真正进入生产阶段后，决策质量会比导入速度更重要。

我的反思

过去我做知识治理，确实大量依赖个人经验。看一份文档，大概能判断它适不适合进库；看一组评测结果，能判断问题出在文档、分片、召回参数、提示词，还是业务口径；跟业务部门聊几轮，就知道哪些边界没说清楚。

但项目规模一上来，只靠经验就明显不够了。

企业需要的，是可复制的规则。

• 比如文档抽检规则。不同类型的文档怎么抽，抽多少，看哪些问题，问题怎么记录。
• 比如文档准入规则。哪些资料可以直接导入知识库，哪些资料需先整改，哪些只能归档，哪些建议删除。
• 比如评测归因规则。回答失败后，怎么判断是资料缺失、旧版本干扰、召回错误、权限问题，还是用户问题本身不清楚。
• 再比如文档整改规则。发现某一类 PPT 解析异常，怎么改成易于解析的文档格式，怎么推动同类资料统一处理，而不是每次都靠单个 case 临时修。
• 还有知识责任规则、版本判断规则、标签归类规则等等。

这些规则不沉淀下来，就算顾问再专业，也容易被大量细节吞噬掉。项目越大，就越像一个没有尽头的资料整理任务。

而规则提炼的过程，不也正是当下最流行的一种AI应用场景：自我蒸馏么？😂

总结

做了那么多知识治理项目，站在第一性原理的角度看，最后要解决的，就是几个最朴素的问题：

• 这份资料是谁的？
• 它还有效吗？
• 它和其他资料冲突吗？
• 它能不能被机器稳定理解？
• 它有没有资格作为答案依据？
• 如果回答错了，谁来修？

这些问题不解决，AI 应用做得再漂亮，也很难进入企业真实生产环境。

当然，解决的过程，也不是一蹴而就。

• 样板阶段，可以靠人工精修跑通一个场景。
• 扩展阶段，则是靠规则抽查，把经验复制到多个部门。
• 生产阶段，需要依赖准入机制和机器辅助治理，处理万级以上规模的资料。

企业要做的，是在不同阶段用不同治理方法，把知识从可用、可管，最终推向可规模化。

企业知识治理的本质，就是建立一套入口机制。它决定哪些资料能进系统，按什么规则进，进入后由谁维护，出现问题怎么回溯。

早期靠样板建立信心。走到后面，则要靠一套能让知识持续可信、可控、可更新的治理规则来支撑规模。

希望这篇思考对你有所帮助。