AI 原生知识库不是资料库:而是企业智能体的工作接口
企业构建AI知识库时常陷入误区，认为上传文档即可解决问题。然而，从腾讯PCG的实践来看，知识库必须超越简单的资料检索，升级为驱动智能体完成任务的核心接口，才能真正释放AI的潜力。
核心内容：
1. 传统AI知识库的局限与升级必要性
2. AI原生知识库作为智能体能力底座的核心价值
3. 腾讯PCG的实践案例与未来演进方向
——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”
▼
许多企业构建 AI 知识库时，第一反应就是将文档上传进去。
制度、手册、代码规范、故障记录、产品说明、需求文档、历史问答，全部整合进一个库，再接入向量检索和大模型问答。这种做法自然有其价值，能够帮助员工减少资料翻阅，让新人避免重复提问，也能加速客服、研发、运营、数据分析等场景的答案获取。
然而，当 AI 从“回答问题”演进到“执行任务”，普通的知識庫很快就会暴露出第二个问题：资料可以被检索到，不等于知识能被正确地运用。
企业真正需要的，不仅仅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、并记录反馈结果的知识基础设施。否则，知识库只会是一个更智能的资料柜，距离成为企业智能体的工作底座尚有巨大差距。
在第九届 AI+研发数字峰会（AiDD 2026 上海站）中，来自腾讯 PCG 应用效能技术部的刘琮玮，通过其分享《AI 原生知识库及其实践与应用》，非常完整地阐释了这个问题。
该分享的核心价值在于，它并非介绍“如何搭建一个 RAG 系统”，而是提出了一个更贴近企业落地实践的问题：当 Agent 框架、模型能力和业务场景协同演进时，知识库必须从单纯的资料存储，升级为 AI 原生应用能力不可或缺的一部分。
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，多数企业讨论知识库时，焦点在于“人如何查资料”。
知识库是否包含文档、目录是否清晰、搜索功能是否好用、内容是否及时更新，这些是传统知识管理最为关注的问题。到了大模型时代，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 需要稳定的上下文。于是，知识库从后台资料系统被推向了 AI 应用的前沿。
但刘琮玮的分享提醒我们，真正的变革不仅在于“知识库更重要了”，更在于 AI 工作方式的根本性转变。
2024 年，许多团队仍在探索大模型的应用场景；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 能否真正成为可用的生产力。这种演进意味着，AI 不再仅仅是回答一个问题，而是要理解任务、选择工具、查询知识、组织步骤、执行动作，并对最终结果负责。
在此情境下，知识库不再仅仅是“被检索的材料”，而是 AI 与企业之间的一个对齐层。
企业中的大量知识并不天然适合模型直接使用。它们可能隐藏在流程中、历史缺陷中、工程规范中、专家经验中，也可能分散在多个系统里。人能够凭借经验理解这些隐含的语境，但模型需要的是显式的上下文、关系、规则和边界。
因此，AI 原生知识库首先要解决的问题并非“存不存得下”，而是“能否让 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
众多企业将 AI 知识库直接等同于 RAG。
这种理解有其现实原因。传统数据存储解决的是“资料在哪里”；RAG 进一步解决了“模型回答时能否引用企业资料”。对大多数团队而言，这已经是相对于过去搜索系统的一大进步。
然而，根据刘琮玮的分层观点，知识库的发展至少经历了三个阶段。
第一阶段是传统数据源的延伸。它更像一个数据加工和索引系统，重点在于收集、整理资料，便于人工查阅。
第二阶段是通用 RAG 范式。它将大模型接入知识检索链路，使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。它并非单纯为问答服务，而是面向 AI 应用和 Agent 任务设计的知识计算体系。它需要支持知识的生產、处理、消费和应用，同时支撑不同场景下的查询、推理、组合与反馈。
这一区分至关重要。
如果知识库仅限于 RAG，其主要评价标准通常是召回率、答案相关性、引用命中率。但如果知识库是企业智能体的基础设施，评价标准就会转变为：它能否让 Agent 理解业务任务，能否识别正确的知识路径，能否将知识转化为可执行步骤，能否在失败后沉淀经验，能否在多场景中稳定复用。
换言之，RAG 解决的是“模型回答时参考什么”，而 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）
刘琮玮将 AI 原生知识库的能力拆解为一个更完整的链路：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何而来，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的资产。
知识处理关注知识如何被清洗、抽取、结构化、关联和增强，以避免“所有文档都入库，但 AI 仍然不知道该用哪一段”的困境。
知识消费关注 AI 如何检索、召回、理解和组合知识，而非仅仅返回一组相似的片段。
知识应用关注知识如何进入真实任务，服务于研发、质量、客服、运营、数据分析等具体场景，并将使用结果反馈回系统。
这也是“AI 原生”四个字的真实含义：不是给传统知识库包裹一层大模型，而是从一开始就按照 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的能力，而低估知识资产的价值。
许多项目在早期演示时效果良好，原因在于问题范围小、样本干净、场景边界清晰。一旦进入真实业务，系统便会遭遇更复杂的知识来源：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。
这些材料如果仅仅堆砌在一起，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。知识资产底座的首要任务，是建立全局视野。
刘琮玮分享中提到的“筑基石”，正是从全局视野出发构筑资产底座。PPT 中列出了 17 类知识类型、55w+ 知识量、4.5w+ 月度活跃知识量，并将知识资产拆分为数据类资产、规则规范类资产和关系类资产。
这些数字背后蕴含着一个重要判断：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，它们分别服务于什么任务”。
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。这三类资产如果未被清楚区分，后续的检索和应用都会混淆不清。
企业常抱怨“知识太散”，但更准确的说法或许是“知识没有资产化”。资料分散在不同系统中只是表层问题；真正的问题在于它们没有得到分类、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
拥有了资产底座，并不意味着就拥有了高质量知识。
企业材料中包含大量噪声。需求描述可能已经过期，历史工单可能只记录了现象而未记录根因，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。将这些材料直接塞入知识库，反而会放大不确定性。
因此，AI 原生知识库必须经历一个“炼真金”的过程。
刘琮玮在分享中指出，知识萃取并非简单的摘要提取，而是要從规则规范、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，表明这并非一次性清洗，而是持续的知识工程。
这个环节极易被低估。
许多企业知识库项目失败，原因并非模型不够强大，而是进入模型的知识缺乏工程化处理。模型面对一堆文档，可以生成流畅的回答，但它未必知道哪些内容是规则，哪些是案例，哪些是例外，哪些只是某一次的临时处理结果。
真正高价值的知识库，需要将材料转化为更稳定的知识单元。
例如，在研发场景中，历史缺陷不仅仅是“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，历史问答不仅仅是 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，故障记录不仅仅是日志摘要，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，知识库只是一个更大的语料池；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，是将知识切成片段后，切断了它们之间的关联。
用户提出一个问题，系统召回若干相似段落，再交给模型生成答案。这种方式适用于资料问答，但对于复杂任务往往力不从心。因为真实业务问题很少仅依赖一个片段，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。
刘琮玮将这一步称为“结智网”，即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不仅仅是文档集合，而是在将知识单元连接起来。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 来说至关重要。
Agent 在执行任务时，不仅仅是寻找答案。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，某个结果失败后应追溯到哪一类原因。
没有知识网络，Agent 只能在片段中来回搜索；有了知识网络，它才有机会沿着业务关系进行推理。
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”做了一个很好的类比。
传统向量检索如同大海捞针，系统根据相似度找出若干片段。它能解决许多问题，但面对复杂业务任务时，容易出现召回不稳定、关系缺失、路径不可解释等问题。
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。它不只问“哪段文字最像”，而是问“这个任务应沿着哪条知识路径走”。
这对企业 AI 而言十分关键。
因为企业场景中的正确答案，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，可能需要同时考虑需求变更、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，可能需要同时结合用户身份、产品规则、服务承诺、异常升级流程和历史处理结果。
如果系统只能进行相似片段检索，它很难支撑这种复杂任务。企业智能体需要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
许多知识库项目完成后，最终停留在了问答界面。
用户输入问题，系统返回答案。这个入口固然有用，但如果知识库仅服务于问答，其价值将被限制在“辅助查询”层面。AI 原生知识库要真正释放价值，必须进入业务任务流，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，非常具体地展开了这一点。它并非一个简单的“用户问题 -> 检索 -> 回答”流程，而是分为 Skill 层、Gate 层、Navigator 层、Executor 层和 MCP/Database 层。
这种分层结构表明，知识库应用已不仅仅是检索系统，而是在承担任务编排和执行支撑的角色。
Skill 层负责面向用户封装能力，让知识库服务于具体的业务动作。Gate 层負責身份校验、权限控制、风险拦截和请求规范，防止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。
这套架构背后核心的判断是：企业知识不仅供人查阅，也供 AI 调用。
当知识库成为 Agent 的工作接口，企业就可以将知识接入更多流程：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地查资料，而是将知识转化为行动建议、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，并非某个具体的数字，而是其背后的方法：知识库的效果不仅依赖于模型升级，更来自于知识工程和应用工程的有机结合。
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，知识库会变成一個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 虽能进入业务流程，却缺少稳定可靠的知识支撑。两者结合，才能产生多场景复用和持续改进的效果。
这也是企业 AI 落地过程中经常遇到的瓶颈。
许多团队初期会将资源集中在模型选型、界面设计和 Demo 展示上。一旦进入真实业务，才会发现关键问题都在后面：知识來源不清晰、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，就在于将这些問題前置到基础设施层进行解决。
它让企业不必每做一个 Agent 就重新搭建一套知识上下文，也不必每换一个场景就从头整理经验。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 原生知识库并非单纯的资料库，也不仅仅是 RAG 系统。
它更像是企业智能体的工作接口：一端连接组织中的文档、规则、经验、流程、数据和关系，另一端连接 Agent 的任务理解、工具调用、权限控制、路径规划和结果反馈。
从这个角度来看，企业 AI 落地的关键问题将会发生变化。
过去我们问：模型能否回答这个问题？
现在更应该问：组织是否已将相关知识打造成了 AI 可用的资产？知识是否经过萃取和治理？实体和关系是否已连接起来？Agent 能否沿着知识路径完成任务？权限、风险和反馈是否已纳入系统？这次使用的经验，下次还能否被复用？
刘琮玮的腾讯 PCG 实践提醒我们，企业 AI 的长期竞争力，不会仅仅来自某一次模型调用，而将来自知识资产、知识网络、任务接口和反馈闭环的持续建设。
这也是 AiDD 北京站值得继续深入探讨的方向。
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主线：当 AI 开始进入真实工作流，企业如何将分散的经验转化为可调用的能力，将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而言，这已不再是“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。
如果答案是肯定的，那么第一步就不再是上传一批文档，而是重新梳理：哪些知识真正构成了业务能力，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”。构建这样的基础设施，才能确保智能体不仅拥有信息，更拥有可行动、可复用的知识财富，推动企业智能化转型走向深入。