——从腾讯 PCG 的知识库实践，看企业 AI 能力如何从“能查资料”走向“能支撑任务”
▼
很多企业做 AI 知识库，第一反应是把文档上传进去。
制度、手册、代码规范、故障记录、产品说明、需求文档、历史问答，先统一收进一个库，再接上向量检索和大模型问答。这样做当然有价值，它能让员工少翻一些资料，让新人少问一些重复问题，也能让客服、研发、运营、数据分析等场景更快拿到答案。
但当 AI 从“回答问题”走向“执行任务”，普通知识库很快会遇到第二个问题：资料能被查到，并不等于知识能被正确使用。
企业真正需要的，不只是一个能搜索文档的系统，而是一套能让 AI 理解业务语境、调用组织经验、遵守规则边界、完成任务拆解、记录反馈结果的知识基础设施。否则，知识库只是一个更聪明的资料柜，离企业智能体的工作底座还差很远。
在第 9 届 AI+研发数字峰会（AiDD 2026 上海站）中，腾讯 PCG 应用效能技术部刘琮玮带来的《AI 原生知识库及其实践与应用》，正好把这个问题讲得很完整。
这场分享的核心价值，不是介绍“怎么搭一个RAG系统”，而是提出了一个更靠近企业落地的问题：当Agent框架、模型能力和业务场景一起向前演进，知识库必须从资料存储，升级为 AI 原生应用能力的一部分。
图 1：刘琮玮《AI 原生知识库及其实践与应用》：AI 技术演进推动知识库从资料存储走向 Agent 能力底座（PPT 第 7 页）
▍为什么现在必须重新谈知识库
过去很多企业谈知识库，重点是“人怎么查资料”。
知识库里有没有文档，目录是不是清楚，搜索是不是好用，内容是不是及时更新，这是传统知识管理最关心的事情。到了大模型阶段，知识库的作用被进一步放大：模型需要企业私有知识，RAG 需要高质量语料，Agent 需要稳定上下文。于是，知识库从后台资料系统，被推到了 AI 应用的前台。
但刘琮玮这场分享提醒我们，真正的变化不只是“知识库更重要了”，而是 AI 的工作方式变了。
2024 年，很多团队还在探索大模型应用场景；2025 年，Agent 框架和框架化方案开始普及；到了 2026 年，企业更关心的是差异化落地，以及通用 Agent 能不能真正成为可用生产力。这个演进意味着，AI 不再只是回答一句话，而是要理解任务、选择工具、查询知识、组织步骤、执行动作，并对结果负责。
这时，知识库不再只是“被检索的材料”，而是 AI 和企业之间的对齐层。
企业里的很多知识并不天然适合模型使用。它可能藏在流程中，藏在历史缺陷中，藏在工程规范中，藏在专家经验中，也可能散落在多个系统里。人能凭经验理解这些隐含语境，模型却需要显式上下文、关系、规则和边界。
所以，AI 原生知识库首先要解决的不是“存不存得下”，而是“能不能让 AI 对齐组织的真实知识”。
图 2：刘琮玮《AI 原生知识库及其实践与应用》：知识库承担人类知识与 AI 能力之间的对齐任务（PPT 第 8 页）
▍RAG 只是中间阶段，不是终点
很多企业把 AI 知识库等同于 RAG。
这个理解有现实原因。传统数据存储解决的是“资料在哪里”；RAG 进一步解决“模型回答时能不能引用企业资料”。对大多数团队来说，这已经比过去的搜索系统前进了一大步。
但从刘琮玮的分层来看，知识库发展至少经历了三个阶段。
第一阶段是传统数据源的延伸。它更像数据加工和索引系统，重点是把资料收进来、整理好、让人能查。
第二阶段是通用 RAG 范式。它把大模型接入知识检索链路，让知识库成为问答和生成任务的外部上下文来源。
第三阶段才是 AI 原生知识库。它不是单纯为问答服务，而是面向 AI 应用和 Agent 任务设计的知识计算体系。它要支持知识生产、知识处理、知识消费和知识应用，也要支撑不同场景下的查询、推理、组合和反馈。
这一区分很关键。
如果知识库只是 RAG，它的主要评价标准往往是召回率、答案相关性、引用是否命中。但如果知识库是企业智能体的基础设施，评价标准就会变成：它能否让 Agent 读懂业务任务，能否识别正确的知识路径，能否把知识转成可执行步骤，能否在失败后沉淀经验，能否在多场景里稳定复用。
换句话说，RAG 解决的是“模型回答时参考什么”，AI 原生知识库要解决的是“AI 做事时依靠什么”。
图 3：刘琮玮《AI 原生知识库及其实践与应用》：知识库从传统数据存储、通用 RAG 走向 AI 原生知识库（PPT 第 9 页）
刘琮玮把 AI 原生知识库的能力拆成了更完整的链路：知识生产、知识处理、知识消费和知识应用。
知识生产关注知识从哪里来，如何从业务材料、历史记录、代码、缺陷、规范和人工经验中生成可用资产。
知识处理关注知识如何被清洗、抽取、结构化、关联和增强，避免“所有文档都进库，但 AI 仍然不知道该用哪一段”。
知识消费关注 AI 如何检索、召回、理解和组合知识，而不是只返回一组相似片段。
知识应用关注知识如何进入真实任务，服务研发、质量、客服、运营、数据分析等具体场景，并把使用结果反馈回系统。
这也是“AI 原生”四个字的含义：不是把传统知识库外面包一层大模型，而是从一开始就按 AI 应用的使用方式来设计知识库。
图 4：刘琮玮《AI 原生知识库及其实践与应用》：AI 原生知识库需要覆盖知识生产、处理、消费和应用能力（PPT 第 10 页）
▍没有资产底座，就不会有稳定智能
企业 AI 应用最容易高估模型，低估知识资产。
很多项目的早期演示效果不错，是因为问题范围小、样本干净、场景边界清楚。一旦进入真实业务，系统就会遇到更复杂的知识来源：规范文档、需求记录、缺陷工单、接口说明、业务流程、测试用例、历史问答、代码仓库、组织制度、专家经验。
这些材料如果只是堆在一起，AI 并不会自动理解它们的优先级、时效性、适用范围和相互关系。知识资产底座的第一件事，是建立全局视野。
刘琮玮分享中提到的“筑基石”，就是从全局视野构筑资产底座。PPT 中列出了 17 类知识类型、55w+ 知识量、4.5w+ 月度活跃知识量，并将知识资产拆成数据类资产、规则规范类资产和关系类资产。
这些数字背后有一个重要判断：AI 原生知识库不是先问“我要接哪个模型”，而是先问“组织到底有哪些知识资产，它们分别服务什么任务”。
数据类资产解决事实和记录问题，规则规范类资产解决约束和判断问题，关系类资产解决实体、流程、依赖和上下游问题。三类资产如果没有被清楚区分，后续检索和应用都会混在一起。
企业经常说“知识太散”，但更准确的说法可能是“知识没有资产化”。资料散在不同系统里，只是表层问题；真正的问题是它没有被分类、治理、关联和赋予用途。
图 5：刘琮玮《AI 原生知识库及其实践与应用》：构建 AI 原生知识库需要先形成全局知识资产底座（PPT 第 13 页）
▍知识萃取决定了 AI 能力的上限
有了资产底座，还不等于有了高质量知识。
企业材料里有很多噪声。需求描述可能过期，历史工单可能只记录了现象没有记录根因，代码注释可能滞后，问答记录可能带有临时口径，规则文档可能存在例外条件。把这些材料直接塞进知识库，反而会把不确定性放大。
所以，AI 原生知识库必须有“炼真金”的过程。
刘琮玮在分享中讲到，知识萃取不是简单抽摘要，而是要从规则规范、执行过程、数据结果中挖掘可复用能力。PPT 中列出的 83 个知识工程能力、92.7% 覆盖知识比例，说明这不是一次性清洗，而是持续的知识工程。
这个环节很容易被低估。
很多企业做知识库失败，不是因为模型不够强，而是因为进入模型的知识没有经过工程化处理。模型面对一堆文档，可以生成流畅回答，但它未必知道哪些内容是规则，哪些内容是案例，哪些内容是例外，哪些内容只是某一次临时处理结果。
真正高价值的知识库，需要把材料转成更稳定的知识单元。
例如，在研发场景中，历史缺陷不只是“曾经出过什么 bug”，还可以沉淀为风险模式、测试规则、代码审查提示和上线前检查项。在客服场景中，历史问答不只是 FAQ，还可以沉淀为意图识别、政策边界、异常升级规则和服务流程。在运维场景中，故障记录不只是日志摘要，还可以沉淀为诊断路径、处置预案和恢复标准。
这一步决定了 AI 应用的上限。没有萃取，知识库只是更大的语料池；有了萃取，知识才开始变成可调用的组织能力。
图 6：刘琮玮《AI 原生知识库及其实践与应用》：AI 驱动知识萃取与工程能力建设决定知识库质量上限（PPT 第 15 页）
▍知识不是一堆片段，而是一张网络
RAG 系统最常见的问题之一，是把知识切成片段之后，关系断了。
用户问一个问题，系统召回若干相似段落，再交给模型生成答案。这种方式适合资料问答，但对复杂任务往往不够。因为真实业务问题很少只依赖一个片段，它需要实体、规则、流程、上下文、上下游系统、历史经验之间的关系。
刘琮玮把这一步称为“结智网”，也就是打造知识库的神经网络。
PPT 中提到的 55w+ 实体量、231w+ 关系量，说明这里的知识库已经不只是文档集合，而是在把知识单元连接起来。实体代表业务对象、系统、接口、规则、任务、问题、能力；关系代表依赖、包含、触发、影响、适用、相似、冲突等连接方式。
这对 Agent 很重要。
Agent 做任务时，不只是找答案。它需要知道某个概念关联哪些系统，某条规则适用于哪个场景，某个缺陷可能影响哪些模块，某个动作需要满足哪些前置条件，某个结果失败后应该追溯到哪一类原因。
没有知识网络，Agent 只能在片段里来回搜索；有了知识网络，它才有机会沿着业务关系推理。
图 7：刘琮玮《AI 原生知识库及其实践与应用》：知识图谱和实体关系让知识库具备网络化理解能力（PPT 第 16 页）
刘琮玮用“基于地图的无向量检索”讲了一个很好的类比。
传统向量检索像在大海里捞针，系统根据相似度找出若干片段。它能解决很多问题，但面对复杂业务任务时，容易出现召回不稳、关系缺失、路径不可解释的问题。
基于地图的检索更像导航。系统先生成知识地图，再让大模型在地图上自主搜索、分类和召回。它不是只问“哪段文字最像”，而是问“这个任务应该沿着哪条知识路径走”。
这对企业 AI 很关键。
因为企业场景里的正确答案，往往不是某段文档里的原句，而是跨多个知识点组合出来的判断。一个上线风险判断，可能同时需要需求变更、历史缺陷、依赖接口、测试覆盖、权限配置和业务高峰期信息；一个客服处理建议，可能同时需要用户身份、产品规则、服务承诺、异常升级流程和历史处理结果。
如果系统只能做相似片段检索，它很难支撑这种任务。企业智能体需要的是一张可导航的知识地图。
图 8：刘琮玮《AI 原生知识库及其实践与应用》：基于地图的无向量检索从“相似片段”走向“知识路径导航”（PPT 第 17 页）
▍AI 原生知识库最终要进入任务流
很多知识库项目做完之后，停在了问答界面。
用户输入问题，系统返回答案。这个入口当然有用，但如果知识库只服务问答，它的价值会被限制在“辅助查询”。AI 原生知识库真正要释放价值，需要进入业务任务流，成为 Agent 可以调用的工作接口。
刘琮玮分享中的知识库应用查询实例，把这一点展开得很具体。它不是一个简单“用户问题 -> 检索 -> 回答”的流程，而是分成 Skill 层、Gate 层、Navigator 层、Executor 层和 MCP/Database 层。
这种分层说明，知识库应用已经不只是检索系统，而是在承担任务编排和执行支撑。
Skill 层负责面向用户封装能力，让知识库服务具体业务动作。Gate 层负责身份校验、权限控制、风险拦截和请求规范，避免知识被错误访问或滥用。Navigator 层负责知识路径选择、问题拆解和上下文组织。Executor 层负责具体查询、调用和结果整理。底层数据库与 MCP 则承接数据源、工具和系统接口。
这套架构背后的核心判断是：企业知识不是只给人看的，也是给 AI 调用的。
当知识库成为 Agent 的工作接口，企业就可以把知识接入更多流程：研发需求理解、测试用例生成、缺陷诊断、客服辅助、业务运营、质量分析、数据洞察、合规检查。每一个场景都不是单纯查资料，而是把知识转成行动建议、执行步骤或判断依据。
图 9：刘琮玮《AI 原生知识库及其实践与应用》：知识库应用查询实例展示了从 Skill 到执行层的任务支撑链路（PPT 第 24 页）
▍落地效果来自“知识工程 + 应用工程”
刘琮玮分享中最后一组值得关注的信息，是多场景落地效果。
PPT 展示了知识生成效果提升、多业务场景落地、接入场景数和平均效果提升等数据。其中最值得借鉴的，不是某一个数字，而是它背后的方法：知识库的效果并不只靠模型升级，而是来自知识工程和应用工程的结合。
知识工程解决“AI 依靠什么知识”，应用工程解决“这些知识如何进入业务动作”。
如果只有知识工程，没有应用工程，知识库会变成一个漂亮但闲置的后台系统；如果只有应用工程，没有知识工程，Agent 会进入业务流程，却缺少稳定可靠的知识支撑。两者结合，才会产生多场景复用和持续改进。
这也是企业 AI 落地经常卡住的地方。
很多团队一开始会把资源放在模型选型、界面设计和 Demo 展示上。等进入真实业务，才发现关键问题都在后面：知识来源不清，质量不可控，权限边界模糊，结果不可追溯，失败案例无法回流，场景之间不能复用。
AI 原生知识库的价值，就是把这些问题前置到基础设施层解决。
它让企业不必每做一个 Agent 都重新搭一套知识上下文，也不必每换一个场景都从头整理经验。知识可以被持续生产、持续处理、持续消费、持续应用，最终形成企业自己的 AI 能力底座。
图 10：刘琮玮《AI 原生知识库及其实践与应用》：多场景落地效果说明知识工程需要与业务应用工程结合（PPT 第 26 页）
▍结语：企业智能体真正稀缺的是可用知识
AI 原生知识库不是资料库，也不只是 RAG 系统。
它更像企业智能体的工作接口：一边连接组织里的文档、规则、经验、流程、数据和关系，一边连接 Agent 的任务理解、工具调用、权限控制、路径规划和结果反馈。
从这个角度看，企业 AI 落地的关键问题会发生变化。
过去我们问：模型能不能回答这个问题？
现在更应该问：组织有没有把相关知识做成 AI 可以使用的资产？知识有没有被萃取和治理？实体和关系有没有被连接起来？Agent 能不能沿着知识路径完成任务？权限、风险和反馈有没有进入系统？这次使用的经验，下次还能不能被复用？
刘琮玮的腾讯 PCG 实践提醒我们，企业 AI 的长期竞争力，不会只来自某一次模型调用，而会来自知识资产、知识网络、任务接口和反馈闭环的持续建设。
这也是 AiDD 北京站值得继续展开的方向。
从上海站的 AI 原生知识库，到北京站正在规划的数据工程、知识检索、知识密集型智能体、语义孪生、Harness Engineering 和企业智能体议题，核心问题其实是一条线：当 AI 开始进入真实工作流，企业怎样把分散经验变成可调用能力，把知识库变成任务系统的一部分。
对于正在建设企业智能体的团队来说，这不是“要不要做知识库”的问题，而是“知识库要不要升级为 AI 原生基础设施”的问题。
如果答案是要，那么第一步就不是再上传一批文档，而是重新梳理：哪些知识真正构成业务能力，哪些知识需要被萃取，哪些关系需要被显式化，哪些接口需要让 Agent 能够安全调用。
资料库解决的是“在哪里找”。
AI 原生知识库要解决的是“AI 如何基于组织知识做对事”。
下一站
北京，我们继续聊。
点这里↓↓↓记得关注标星哦~
