企业AI智能体质量：文档是根基

企业AI系统的构建大多围绕着上下文工程展开。团队们连接企业系统，生成文本块和嵌入向量，构建检索管道，并组装单个AI应用所需的上下文。虽然这种方法对于孤立的助手和副驾驶系统效果良好，但它将企业知识视为应用特定的上下文，而非共享的企业资产。

随着组织部署更多AI应用和智能体，这种模式开始显现其局限性。不同团队处理相同的文档，维护独立的嵌入向量和索引，并创建相同业务知识的不一致表示。挑战不再是简单地为AI系统提供上下文，而是要管理企业知识本身。

为何构建上下文不足以支撑企业AI

当前企业AI的通用方法是为单个应用构建上下文。团队连接企业系统，处理所需信息，生成检索表示（如文本块和嵌入向量），并组装智能体在运行时所需的上下文。虽然这种方法适用于单个应用，但它并未将企业知识作为共享的企业资产进行管理。

随着组织部署更多AI应用，这种方法因三个原因开始失效：

首先，知识变得不一致。企业知识分布在许多具有不同模式、业务定义和更新周期的独立系统中。相同的产品、客户或业务流程在不同文档、Jira工单、源代码、CRM系统和元数据中可能被描述得不同——甚至相互矛盾。将这些信息提取到上下文中并不能解决这些不一致性；它只是将这些问题转移到了AI应用中，导致不同智能体对业务产生不同的理解。

其次，变更难以传播。企业知识持续演进，但每个应用都维护着自己的上下文管道。随着文档、代码和业务定义的变化，下游的文本块、嵌入向量、索引和智能体上下文被独立更新，导致AI应用在相同知识的不同版本上运行。

最后，组织重复构建相同的知识管道。不同团队处理相同的企业知识，生成相似的嵌入向量，维护独立的索引，并为不同应用构建重叠的上下文，导致工程工作重复、基础设施成本不必要增加以及知识碎片化。

这些本质上不是上下文工程问题——而是知识管理问题。企业数据平台通过一次管理数据并在应用间共享解决了结构化数据的相同挑战。企业AI现在需要相同的架构纪律：一个共享的企业知识平台，一次管理知识，并为每个AI应用发布可重用的表示。

分层的数据与知识管理系统

企业知识平台相当于企业知识领域的企业数据平台。它不再将文档、源代码、Jira工单、电子邮件、API和其他企业系统视为单个AI应用的孤立输入，而是将它们作为共享的企业资产进行管理。它通过通用架构摄取、组织、集成、治理和发布企业知识，使每个AI应用都能消耗相同的可信知识基础，而不是维护自己的上下文。

为实现这一目标，平台将知识管理分为四个具有明确职责的层次。知识首先以其原始形式保存，然后被规范化为受管的知识对象，连接到通用的企业知识模型中，最后以针对不同AI应用优化的表示形式发布。这种分离使每个阶段能够独立演进，同时为每个下游应用提供一致的基础。

平台将企业知识组织为四个层次：

原始层 → 精炼层 → 集成层 → 服务层

原始层保留原始的企业数据源。
精炼层将异构源转换为受管的知识对象。
集成层跨系统连接知识，形成统一的企业知识模型。
服务层为AI应用发布可重用和智能体特定的表示。

原始层——保留数据源

原始层从企业系统捕获信息，同时保留其原始形式和源标识。这可能包括数据库记录和变更事件、PDF和其他文档、Confluence页面、Jira工单、源代码、API响应、电子邮件、图像和事件流。

这一层的目的不是使信息对智能体就绪。而是维护一个可靠的源，平台可以从该源重建下游知识。如果提取逻辑发生变化，模型得到改进，或下游表示被损坏，信息可以再次处理，而无需依赖应用特定的副本。

精炼层——规范化企业知识

精炼层将异构企业源转换为受管的知识对象。每个源都被规范化为一致的表示，同时保留其标识、元数据、权限、版本、血统和对原始内容的引用。

例如，产品需求文档被转换为结构化的知识对象，包含文档ID、产品ID、标题、源系统、作者、版本、权限、标签、创建时间和最后修改时间等元数据，以及相关内容。这种表示提供了一种一致的方式来管理企业知识，无论源是文档、Jira工单、源代码库、电子邮件还是API。

在此阶段，平台并未尝试连接不同领域。相反，它为每个企业知识源建立了可重用和受管表示。一旦每个源被规范化为结构化或半结构化的知识对象，集成层就可以通过共享的业务实体和关系将它们连接起来。

集成层——构建企业知识模型

集成层将独立的知识对象转换为统一的企业知识模型。它有两个目的：跨系统和业务领域连接知识，以及建模AI推理所需的业务关系。

知识通过共享的业务标识符（如产品或客户ID）、跨系统的显式引用（如Jira和Git链接）或基于AI的实体解析进行连接，当不存在直接关系时使用。例如，描述”批量发票上传”的产品需求文档、标题为”实现发票上传API”的Jira故事以及宣布相同功能发布说明，可能都指向相同的业务能力，即使它们之间不存在明确的关联。

一旦知识被连接，平台就可以对业务实体和关系进行建模，为AI提供推理所需的语义理解。这包括定义实体类型（如产品、客户、订单）、属性（如产品价格、客户状态）以及关系（如客户拥有订单、订单包含产品）。这种知识模型使智能体能够理解业务上下文，进行推理，并作出更准确的决策。

通过这种方式，企业知识平台解决了传统上下文工程方法的局限性，提供了一致、可靠且可扩展的企业知识管理方案，使AI智能体能够基于相同的基础知识进行工作，提高整体系统的可靠性和一致性。

关注微信号：智享开源 ，及时了解更新信息。

原文链接：https://venturebeat.com/orchestration/enterprise-ai-agents-are-only-as-reliable-as-the-messiest-documents-behind-them