01

知识库的应用场景

企业的各类业务中，都会有信息互通和知识流转的需求，知识库就是过程中的桥梁。职能部门生产的知识不仅要满足自己，还会在不同的场景下交叉使用，这时会对知识的生产提出要求。比如一份产品说明书，在面向消费者时和面向服务团队时，它的要求是截然不同的，知识对内和对外有很显著差异。随着产品不断迭代，功能参数越来越丰富，也会越来越复杂，也会对知识的维护有明确的要求。

总结一下，知识库的构建有四个要素。第一是完善性，决定了知识库的应用场景覆盖度。第二是准确性，是解决问题的基础。第三是简洁性，提高知识理解，避免混淆。第四是易读性，合理的结构能帮助阅读者更快地理解知识。

02

为什么是大模型+知识库

现在大模型技术在不同领域内，都产生了巨大的影响，甚至是颠覆。在知识库的构建和维护中，大模型也有很多结合点。

经过长时间的积累，我们在应用场景中总结出了大模型结合知识库的两类用法。

第一类是大模型应用知识库。大模型是一种全新的能力，可以很好的运用知识，知识库可以让大模型发挥更大的作用。

第二类是大模型帮助知识库构建。结构化的知识库，在使用时的一系列痛点，可以通过大模型来改善。

传统的知识库形式有两种：纯文档知识库、结构化知识库。

传统知识库在实际应用中，还是存在着一些问题。为了满足智能化的要求和更多场景的使用需要，知识的生成和管理需要符合 NLP 的能力要求，但这并不符合知识原生的生产方式，所以中间需要经过一道复杂的加工。以产品说明书为例，为了实现智能化，不仅需要写一份面向消费者的，还要再整理一份可以被机器学习和使用的。

在实际落地过程中，这种知识库的冷启动成本很高，更新迭代的速度很慢，甚至在不同部门协同之后，会出现内容和知识的割裂，业务部门负责知识输出，技术部门负责知识库落地实施，中间难免会产生知识传递的偏差。所以原生的知识文档，在应用时会有很大的局限性。

因此企业更期望知识库可以根据原生的生产方式，以工作逻辑来生产内容，同时生产的内容又可以直接或者完全符合各种场景的使用，免去中间加工的过程。

在实践中会发现，结合大模型的知识库是可以改善不少问题的。

从知识原始的生产模式来看，大模型知识库的应用优点有 5 个。

在知识构建部分，大模型从原生文档中，直接抽取结构化的知识，改变了知识的处理方式。

在知识校对过程中，过去会对抽取后的知识校对和查错分多个步骤，由不同的人进行操作，大模型赋能后可以快速便捷地完成。

在知识运营过程中，大模型通过知识的对比，来实现知识的更新和保鲜。

在知识应用过程中，大模型能力让知识对内外部、问答等场景的应用面覆盖更广泛。

甚至在安全合规方面，也有很强的助力，实现对内容安全的审核，可以规避绝大多数已知的问题。

利用大模型的能力，完成原本庞大的、复杂的、持续的工作，让知识的维护和应用变得更加简单。

03

大模型+知识库的应用

当然大模型并不是万能的，在应用过程中，也需要面对因幻觉导致的可控性和准确性问题，需要有相应的策略逐步来应对和解决。下面将结合具体的应用案例，分享我们是如何应对这些挑战的。

3.1 第一步，从容错率较高的内部场景入手，进行知识构建。

组织内各个职能部门都会产生很多的原始文档，很多时候并不是苦于没有知识，而是知识没有被消化或使用起来，通过大模型可以很方便地应用知识，可以直接提高团队知识的流通率和使用率。

案例 1 ：某集团 SSC 项目

SSC（ Share Service Center ，共享服务中心）是企业日常接触最多的场景之一，更多是对内服务，包括 HR 、财务、IT 等。该场景对专业度要求非常高，知识点非常多，对于知识的使用者或者查询者，会因为不同区域、不同公司、不同工种，甚至在不同时间查询的内容，所得到的答案都可能是不一样的。

在实际知识库落地的过程中，最头痛的就是冷启动问题，知识分不同领域，如何从文档转变为结构化的知识是难点。另外对于不同部门产出的专业文档，需要进行加工，甚至还要分不同的库，将多个库的知识联合应用。再就是知识既专业又复杂，变动更新也会比较多，需要做对应的知识更新。而每个职能的知识是单独维护的，最后汇总到某个组织或者某个部门后再做知识更新，这其实是很大的挑战。

没有用大模型之前，虽然技术上也有可行之法，但是落地成本很高。结合大模型能力后，可以使用一套组合能力改善这些问题。

首先各个职能部门提供原始文档，由大模型根据结构化知识库的标准，抽取对应知识生成标准的问答，这个过程中还可以通过答案扩写，或者精简和润色的能力，改善回答的易读性和简洁性，符合知识认知的几个维度。

其次在检测答案一致性的时候，因为文档内容非常专业，也会有相应的版本管理，利用大模型对不同知识进行校对，避免原生文档存在版本差，保证前后知识的一致性，减少出错。

最后通过大模型对检测后的标准问答生成相似问题，扩充各种不同的问法，达到使用场景中更高的可用性及匹配度，来提升最终的知识应答率。

这样操作下来， SSC 场景下的冷启动就变得容易很多，包括后续的维护和运营也会更简单。这个案例中，大模型作为工具，能够帮助结构化的知识库，在冷启动时以便捷的方式去落地，也是结合知识库应用的价值体现。

案例 2 ：某业务产品信息查询

软件服务商有很多的产品，产品往往功能复杂而且迭代很快，产品文档更新也快，组织内不同职能的伙伴也会相互协同，除了日常的培训以外，协作伙伴也需要了解产品。以前只能通过相应的产品文档，或者找更了解的伙伴询问。产品经理需要花费大量的时间进行解答。那么是否可以把产品知识也维护到知识库里面？

经过我们的尝试，答案是行不通的。因为产品迭代非常快，两周到三周有一次迭代，每次迭代都有非常多的功能点上线，把这部分内容放到知识库里，实施人员会发现刚处理完第一波，第二波就来了，根本做不过来，而且产品文档往往是滞后的，就算产品经理补充了，也会因为知识库更新不及时，导致无法使用。

这个场景中的核心就是知识库的构建和维护，因为是对内的场景，基于大模型的文档问答能力，即使应答率不高，也不会有什么问题。直接把产品手册和常见问答丢给大模型学习。对于用户提问，大模型可以根据知识边界回答已知问题，未知问题可以由产品经理做答，这样可以节省产品经理很大一部分精力的投入。

但是这种程度还是不够的，怎么样能够让这套机制变得更聪明，更灵活？如何将产品经理的回答，帮助知识库形成一个自动更新的闭环，使得知识库在一问一答的过程中自动的更新、迭代？

后来我们利用大模型的总结和归纳能力，把咨询过程中无法应答的问题找出来，通过产品经理进行人工回答，然后把获得咨询者认同和认可的答案梳理出来，作为新的标准问答，再写入到文档中，给到大模型进行调用，这样大模型会采集到更多问题和与之匹配的答案，形成知识库智能化迭代的闭环。这套机制不仅利用了大模型的能力，还可以实现自学和自答得更好。

案例 3 ：企业内部知识查询场景

在企业内部知识查询的场景中，知识门户上的知识搜索依旧可以使用大模型，实现增强检索，以改善搜索体验。

通过大模型生成检索者询问的内容，给出基于关键词或者自然语义匹配的知识文档和对应的内容切片，直接给出答案的同时，还可以对比原始文档，增强查询结果的信任，促进组织内的知识使用。

3.2 第二步，应用各类能力，解决难点+深入场景。

前面分享的是在可控的场景下，我们做的尝试和积累。最终还是希望把套能力，应用到真正一线的场景中。面对可控性和准确性的挑战，虽然不能完全避免，但是可以把大模型当作一种能力，合理的去应用。

案例 1 ：某品牌商品咨询

品牌零售行业的售前或售后场景，商品信息相关的咨询量非常大，包括商品本身的信息、活动信息、库存等。以我们的经验来看，品牌零售业的咨询占比可以达到 30% ~ 50% ，大部分答案是可标准化的。

这种业务场景下，通过机器人来回答，从而降低客服人员的负担，是很有效的一种做法，大部分企业也是这么做的。但往往会卡在知识库的构建和维护上。

很多企业内部有非常强大的产品信息说明和维护，产品部门会输出产品信息，运营部门和市场部门会输出活动等配套信息，最终利用图文并茂的方式，输出的非常专业，本意是希望给使用者有更好的阅读和理解体验。

但放在机器人问答的场景下，举个例子：某 3C 数码客户的， SKU 将近有 7, 000 多个，参数非常复杂，图文并茂的优秀说明文档让机器人难以处理。此外，产品对外推广的时候，会有很多“ xx 同款”“ xx 热门款”等相似的昵称，用户也会自发的给产品取别称，表达对产品的支持和喜爱。

在服务过程中，很少有用户按照产品标准名称来咨询，以及有些产品名称之间，差异很小，那么在机器人服务的过程中，机器人就找不到对应的说明来应答，解决率就会很低。

面对这种情况，大模型是一个很好的解法。但直接应用大模型的能力，对实际效果来说还是过于开放，比如出现幻觉，答案不完整，出现信息错配等，还需要给予一定的约束。

通过对该领域大量的用户咨询数据进行对比，我们找到了一定的规律性，整个过程是相对标准的，并且可以尝试引导用户如何获取想了解的信息，比如产品的什么参数、订单的什么动作（比如发货）等。

这种情况可以尝试使用 Agent 的能力，基于 NLP 或者 FAQ 的问答做应用。在和客户会话时，触发产品咨询意图后，可以通过大模型获取客户意图，识别想询问的是什么产品，具象到具体的产品上，再关联到实体。比如通过昵称具象到所代表的产品，然后提取关联的产品信息，再关联到产品的属性，比如相关联的推荐产品，或者订单信息。再通过 Agent 能力查询商品库对应的商品信息，拿到返回的信息后，再把信息和客户的问法一起给到大模型来生成相应的回答。

在这个过程中是有几个边界的，比如只针对某一具体的商品找到产品说明文档，基于产品说明文档进行解析，找到对应的属性或信息内容切片，再基于切片做应答。这样几个边界就切得非常清楚，以此来解决错配、应答幻觉等问题。

Agent 可以把工作流组合得更加丰富些，加入新的可能性，比如相关商品推荐、活动推荐，甚至推动客户下单等等，都是可以实现的。在这个过程中，还可以发挥客服部门更大的业务价值，把客服部门的价值从被动解答问题往主动营销层面走。

案例 2 ：某企业服务分流

下面的案例是一家集团企业，为客户提供的服务类型很多，因为企业品牌较大，很重视客户服务的体验，所以每个业务，不同的客户，有不同的服务标准。但是，为了统一品牌形象，服务入口是统一的。

这时会产生较大的问题：很多访客在咨询进线的时候，并不能清楚地描述问题属于哪个业务哪个场景哪个流程，按照常规的客服做法是填写询前表单，来分配合适的客服技能组。如果遇到访客点错了，就会出现错配，客户被不同的客服技能组反复转接，体验差了，客服的服务效率也有很大影响。

这里同样可以利用大模型+知识库，再关联技能组和咨询分类的实体。

在访客和机器人互动的环节中，访客在表述问题和输出信息时，机器人可以做两件事，除了应答之外，还可以尝试收集访客的信息。根据信息的理解对应到不同业务、不同场景、不同流程中，做好咨询的分类，以此实现转人工之后，实现不同技能组的指定分流，解决前面所说的错配流转问题，客服效能提升，访客的满意度也会提高。这个案例不是通过大模型解决客户确切的问题，而是为某个服务环节提供了价值。

大模型知识库在客服场景中有很多发挥价值的机会点，有待去挖掘和发现，但核心还是两块：怎么样通过大模型把知识库用起来，怎么样通过大模型把知识库构建好，这也是最能帮助企业去解决问题的两个点。

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。