FDE 挖知识:九个实用技巧
返回博客列表
FDE 理需求是四步法的第一步,交出来六份东西:业务价值流图(每段对应一个业务 KPI)、现状流程及痛点(痛点带频次和影响)、业务问题定义(按八要素写)、机会点定义、AI 驱动的未来流程、产品定义(含产品电梯演讲、To-be 人机协作流程概览、落地演进路线图、Phase 1 定义及 MoS)。这六份是挖知识的输入,缺哪一份,后面的判断就少一处出处。以 X 科技服务公司的 Staffing 业务为例,产品定义里的 To-be 人机协作流程概览长这样:

这张 To-be 流程里,更多环节改由 AI 驱动。AI 要做判断,判断要做得准,就得知道自己依据什么判、两个依据冲突时以哪个为准、什么情况该停下来问人。这些知识现在还在人身上,对 FDE 来说,接下来这一步就是挖知识。
1. 知识到底是什么
从数据到知识

数据:体温 39.2℃、白细胞 11.2、心率 96。三项都是原始记录,各自只陈述一个事实,脱离上下文推不出任何行动。
信息:把这几项数据结合到上下文里,认出它们属于同一个人、同一时点,才看得懂「今天发烧,血象偏高」这一层。
知识:「细菌感染才用抗生素,病毒感染不用」,这条判断不在体温计里,它回答的是这种情况该怎么办。
智慧:落到具体这个人身上,现在送医院还是先观察一夜,要看年龄、基础病和病程,没有标准答案。
搬到 Staffing 场景里,最容易混的还是信息与知识。看到「这个人手上有三个金融项目、最近一个月空闲」,这是信息;知道「行业类项目最多算一个」,才是知识。
知识还分显性和隐性,显性知识能写下来、能结构化、能传递,制度、SOP、术语表、岗位说明都算;隐性知识是经验、判断、例外、协作默契,知道但说不清,或者说得清但没写。
挖知识做的事,就是把这些从人脑子里搬到纸上:写下来,能追到出处,下一个人照着就能做,错了能改。
落地 Agent 为什么需要挖知识
资料齐不齐,很少是 Agent 给出错误答案的原因。更常见的情况是资料都在,判断标准不在它手上。
客户要的是一个 Senior AI Engineer,三个必须能力项、五年经验、工作级英语。同一批人,同一套资料:
只有资料:三个必须项全命中、五年以上、英语工作级,按硬条件筛下来 0 人,Agent 回一句「这批人里没有合格的」。
补上知识:必须项命中两项、另有一年以上同类项目主责的,可以进候选;英语只有日常级、客户那边有中文接口人的,也可以进候选交客户面。同一批人里出来两个,可以试一试。
资料是一样的,差在那几条判断上,而这几条没有一条写在文档里:门禁卡到哪一格、缺的那一项能不能拿别的东西换、什么情况下可以交给客户去面。
没有这层知识,Agent 的错法大体是四种。把门槛当偏好,缺硬性条件的人它照样首推,还能补一句职级匹配、产能充足;把口径当常识,覆盖率 0.49 读成「接近一半,可以一试」,不知道 0.49 和 0.5 之间跨了线,质量分就该封在 40;把例外当常规,知道没人合规时 P0 岗可以放行,不知道放行后面还要逐条留痕、锁岗前再确认一次;把处置当推荐,这个岗位其实该外招、客户放行或者降要求,它还在人堆里挑一个「最合适的」给你。
四种错法听起来都站得住,问题也藏在这儿:很多 Agent 演示很顺、上线不敢用,原因是答案表面上看不出毛病,业务方却觉得有问题,又说不上来问题在哪。缺的是「这家公司怎么判断」这层知识。
2. 挖知识的方法
知识分类
知识不是一整块。Bloom 把知识分成四类,先看这四类,Staffing 场景里都能对上:

| 类型 | Staffing 场景里的对应 |
|---|---|
| 事实性知识 | 201 条术语;证据等级 A/B/C;P0/P1/P2;能力模型 8 族 18 域 51 项 |
| 概念性知识 | 22 个实体、27 条关系;岗位族到能力域到能力项;岗位唯一键 |
| 程序性知识 | 24 个 L3(业务阶段)、114 个 L5(可执行动作);决策模型、提取要点、模板;异常与仲裁 |
| 元认知知识 | 置信度、未评级、6 条待确认项、人工接管点、Agent 边界 |
前三类的差别在颗粒度上,从「一个词怎么叫」,到「几个词之间是什么关系」,再到「一件事分几步走、什么条件下换一套程序」,一层比一层粗,换个人来读也不会串。元认知知识最容易被忽略,它不描述业务,回答的是「我知道什么、不知道什么、什么时候该停下来问人」。
挖知识就是按这几类走的,对应的产出有六份:术语表、任务流程清单、核心模板、决策规则清单、信息提取要点清单、关系图。任务流程清单深到 L4–L5,规则清单关联到流程的决策节点上,关系图说清模板和概念之间谁引用谁。
挖知识的流程步骤
按我们做下来的顺序,大概九步,粗分三段:先把词和流程定下来,再挖模板、规则和它们之间的关系,最后校准、收口。
- 先出一版术语表,只定核心术语。
- 再挖流程,用 taskflow 钻到 L4–L5,结合已有的 SOP,再借 AI 把初稿理出来。
- 从流程里挖核心模板,也就是流程中反复出现的名词、单据和业务概念。
- 再逐个数流程里要决策的节点,挖决策规则。
- 再挖信息提取要点,说清每类材料里要提什么。
- 把模板和概念之间的引用关系理一遍。
- 交付前校准一遍术语表:把稿子里用过的词按术语表逐条对一遍。
- 把待确认的项再澄清一轮:能当面定的当场定,定不了的写明谁确认、什么时候之前确认。
- 收口:每条规则都绑定使用点;换个人拿这份材料能做出同样的判断;到截止日还没定下来的项,写明按哪条假设往下走。

3. 九个实用技巧
Tip 1 · 先让 AI 挖一轮,再拿问题去访谈
挖知识有两条路,一条是对着现有材料让 AI 先整理一版,一条是找专家访谈。两条都得走,顺序反过来效果差很多:先访谈,问出口的多是「你们一般怎么做」,拿回来的是制度;先让 AI 过一遍,问题才具体,问得下去。
实践方法
- 拿 SOW、销售提案、制度、历史文档,让 AI 整理一版术语表、任务流程和流程里的规则。喂进去的必须是真实材料,不能拿示例材料试。
- 把这一版里对不上、前后矛盾、找不到依据的地方标出来,形成问题清单。
- 带着清单去访谈,不问「一般怎么做」,问「这两处写得不一样,哪个对」。
- 答案回写进那一版,再跑一轮。
有用的小技巧
- AI 先跑这一轮,省的是提问的成本,理解那部分它替不了。
- 它交出来的是一份带问题的初稿,离直接用还差一截。
- 材料质量决定第一版质量。SOW 是便签体,第一版就粗,先按「待确认」抽。
Tip 2 · 术语先出一版,交付前再校准一遍
等到术语全部定稿再往下走,是最常见的耽误。访谈里同一件事本来就有三种叫法,定不完的:「能力等级」和「自评等级」混着用;「坑」在流程文档里是正式用词,在术语表里却已经弃用;「关键岗」一会儿等于 P0,一会儿等于 P0+P1。
实践方法
- 先出一版够用的,第一版只定核心术语:对象、角色、状态、指标、阈值。
- 只收敛会被多处引用、会进配置或进 prompt 的词;开会和群聊里的口语随它去。
- 冲突逐条裁决,每条留两方原文、各自的读法、裁决定论和裁决人。
- 交付前再校准一遍:翻术语表,把用过的词挨个对一次。
术语表在工具里长这样,一个词一条,正式口径、口径取值、维护方和别名都在上面:

有用的小技巧
- 先定核心术语,再动流程。L5 的标题要用这些词,术语没定,标题会一路返工;Staffing 场景里 201 条术语、19 条旧词进弃用表,就是这么一条条裁出来的。
- 交付前拿术语表把稿子里的词逐条对一遍,不靠记性。上一版漏过一次:业务方 11 月 9 号改过一轮分类,我照旧写,翻术语表才发现。
- 客户自己在用的词记成别名,不硬推。内部文档走统一叫法,交付时附一张客户叫法对照。
Tip 3 · 挖流程:从真实任务开始,粒度定在能对应一条规则
从理需求选定的场景往下走,下一步是把它展开到 L4、L5。三层怎么分:L3 是业务阶段,就是 To-be 流程里那几段;L4 是阶段里的活动分组,一组活动有一个明确目标;L5 是能单独对应一条规则的执行动作。岗位需求这个 Agent 拆下来是 6 个 L3、7 个 L4、27 个 L5。


两张图是一件事的两个层级。上面看的是分工,节点上标着执行主体和要不要调大模型,哪几段还压在人身上一眼能看出来;下面看的是深度,同一个动作钻到底之后那四格是不是都填住了。只写一个任务名的,后面无法对应规则。
拆的时候会一直碰到同一个要求:每一步的输入和输出都要取这一单里真实的那份数据。输入决定后面能拆出哪些因子,输出决定模板长什么样,两样都不能拿「一般会有」补。
实践方法
- 从一次真实任务进。拿一个刚签约的项目,请销售和 RM 各走一遍:SOW 哪一节决定必须能力、硬性证书从哪看、P0/P1/P2 怎么分、评审单为什么被驳回、候选人排第一为什么最后没锁。
- 走完再把一条失败路径回放一遍。
- 粒度定在能对应一条规则的那一层:单一动词、明确输入输出、结果可判断、不可再分、名称全场景唯一。
- 填每一格都用这一个真实项目的数据:这一步实际收到什么输入、实际交出去什么输出,照抄,不补;现实里拿不到的输入,别写在格子里。
有用的小技巧
- 找刚结项的项目、找刚做完这个活的人,问「这一单是怎么做的」,不问「你们一般怎么做」。受访对象掺上一线的,管理者讲制度,例外只有做事的人说得出来。
- 访谈先给判断再问细节。「我理解是缺证就出局,对吗」比「缺证怎么处理」好答;聊完把写下的规则念一遍,让他改。
- 粒度按「能不能对应上一条规则」卡。太粗会写成一句「综合判断」,太细走查表几百行;真正费时的是填,114 个 L5 里填满的只有 39 个。
- 只拆这一轮要交给 Agent 的那几段,其余留骨架。等它进范围再往下拆。
Tip 4 · 从任务流里认出业务对象,再定它怎么表达
这一段最容易跑偏的地方,是把它当成页面设计来挖。看到一张画像页就去调版式,看到一张评审单就去改字段,挖完手里是一叠界面说明,下游拿不到能用的东西。
顺着任务流往下走会清楚一些:每走完一段,总有一份东西被交出去,交给下一个动作接着用。派工需求单、评审单、能力画像页、判级解释、复盘单,都是这一类。它们在业务里是有身份、有状态、有字段的对象,页面只是把这个对象的某几面摆给某类人看。
实践方法
- 顺着任务流一段一段问:这一段走完,谁交出一份什么?先把名字列出来,别急着看界面。
- 分两类登记,用 DDD 的话说,会改状态的(有编号、有状态迁移、有归属人,比如 staffing request、评审单)按实体登记:有哪些字段、状态怎么走、哪些约束不许破。只读的(能力画像页、判级解释、复盘单)按读模型登记:给谁看、固定栏有几个、每栏的数据从哪个对象来。
- 每份产物登记四层:骨架、字段来源、生成规则、约束。骨架按一份真实交付出去的页面、逐个栏位写名字,不留「等」;字段来源写到具体的表和字段;生成规则写清这些数据怎么拼成那句话;约束写清什么情况下不许出这份东西。
- 登记完回头对一遍:换个人拿这份说明,能不能照着渲染出同一页。

有用的小技巧
- 认不出来的产物,看谁读它。哪个 L5 的产出被下游读、读完做什么决定,被读的那份就是产物;没人读的是过程记录,不用单独建模。
- 规则和模板分开登记。规则回答怎么判断,模板回答判断完长什么样;混在一起,交付时只给一个文件、不给字段清单。
- 约束先写「不许出」的条件:证据不足、置信度低、没有合规候选。这三条不写,对外那一份就不敢发。
Staffing 场景里的能力画像单页,七段固定栏各有一摊数据、各有一条规则:

固定栏定页面顺序,字段定每栏里哪些位置是空的,约束定空着的时候写什么。四层缺一层,模型就容易自己编一段看起来合理的说明;四层都在,前端照着能渲染,模型每次生成的骨架也不会飘。
Tip 5 · 判断说不清时:拆成规则,或者分清是不是真冲突
有时我们在跟业务专家访谈、想挖他们的处理经验,他们会冒出一些词:「综合看」「重点岗位」「有经验」「看情况」。在 Staffing 场景里问一句「候选人的优先级综合判断」,换两个专家来定,或者同一个人两次对同一批数据,给出的结果会不一样。这些词就是得重点挖的信号,背后要澄清的是因子、阈值、分支,以及冲突的时候听谁的。
另一种说不清是两个人对同一段流程讲出两个版本:一个说需求确认后先看产能再看证书,一个说先过证书再看产能。多数时候两个人谁都没记错,对不上是因为落在三种情况里:两个时点的做法、一个词盖住两件事、真的冲突。三种的处理方式完全不同。

实践方法
- 每个模糊词追问五句:这一步在做什么,凭什么这么做,多少算够,两条依据冲突时以哪个为准,什么情况下你不这么做。答不出来当场标「待访谈」,不替专家编。
- 拆成四样:因子、阈值、分支、仲裁。设因子之前先对一遍真实输入,这一单里到底拿得到哪些字段;拿不到的字段不能当因子,否则跑起来永远缺输入。
- 分支要写得出来:两条依据冲突时以哪个为准,写成一条一条的仲裁,别留在「综合判断」里。
- 把因子和阈值交给一个新来的 RM 用一次:让他对同一批候选人排前三个,前三个进得去、顺序不乱,就算挖到了。
- 两个版本对不上,先分清是哪一种:两个时点的做法,就问清「这是哪一年开始的」,取当前那一版,老规矩记进弃用项;一个词盖住两件事,就补条件分支,两个答案各归各位;真的是冲突才裁决,留两方原文、各自的读法、裁决定论和裁决人。
拆完的规则在库里长这样,一条规则一张卡,四格里最后一格就是仲裁:

拿「必须能力与加分能力判定」这组,看这四样怎么定。因子有五个:SOW 原文线索、证据通道、能力权重、权重排名、项目时长与岗位级别。阈值是两条硬线:权重 ≥0.85 且排名前 3 才算必须能力,第 4 名之后、或者权重不到 0.85,降成加分能力。分支分四类:SOW 命中;SOW 没写、但岗位职责里本就会涉及,按 0.82 起算并标「职责兜底」;SOW 完全没覆盖,用岗位基线补齐、要求覆盖 3 条以上;只在提案或行业惯例出现,进加分项不进必须项。仲裁是一条链:SOW 原文 > 职责兜底 > 岗位基线 > 提案与行业惯例。
有用的小技巧
- 拆不到因子的判断标成「语义类」,交给人在环;拆不下去的那一处记成未决项,它通常就是还留在脑子里的那部分。
- 两个版本对不上,先怀疑术语,尤其「一个词盖住两件事」那种。A 客户要驻场、B 客户不用,或者招 P0 岗和招 P1 岗本来走两条路,这是术语表最常漏的一格。
- 裁之前先记影响面:这条分歧影响哪个 L5、一个窗口里大概多少岗会撞上。影响大的先裁,碰不到 P0 的排后面。
- 有一类不一致要留着。两个客户群的做法确实不同,那就是两个分支;硬统一等于把真实差异抹平,两边都不满意。
Tip 6 · 过去没人做过的事:挖不出来,得设计出来
有一种节点怎么问都问不出知识,因为这件事过去没人系统地做过,也没人说得清自己是怎么做的。Staffing 场景里最典型的是全盘排布:过去 RM 受限于人脑,每次只看一个岗、或者少量几个岗的需求来找人,不会去想「这个窗口 19 个岗位对 60 个人,整体怎么排最优」。去访谈 RM,他也说不出规则,因为过去压根没人这么干过,他想讲也没得讲。
同一类的还有两处。一处是候选人和岗位的匹配评分:10 个项目全量 2,820 对,「这个人对上这个岗位能打几分」没有人脑算过,也讲不清自己是怎么权衡的。另一处是整体推荐:一次摆出几套目标不同的方案,过去也没有人同时算过四套。这两处跟全盘排布一样,访谈里问不出规则,因为过去没人这么干过,只能重新设计一套。
设计出来的第一条是评分链:门禁 → 质量分 → 经济调整 → 风险扣分 → 排序处置,后一层不能补偿前一层。里面的数全是设计参数:质量分里 0.70 看能力覆盖、0.30 看贴合,门槛 55,覆盖低于 0.5 封顶 40,没有一条出自访谈记录。

第二条是整体推荐:同一批岗位、同一套评分,换掉目标函数就是另一套方案。四套只差在目标与代价,哪些口径必须一样,写在页面底下。

实践方法
- 先分清两种「挖不出来」:有做法但说不清是隐性经验,靠案例回放、让人做一遍给你看;从来没有这个做法,就得承认这一块问不出来,只能重新设计。
- 设计一条新规则,先找三样现成的东西:约束从已有知识里挖(合同和 SOW 写着什么、客户准入卡哪几项、成本口径怎么算),目标从理需求的产出里拿,红线从人身上问(哪几种情况碰不得、判错了的代价有多大)。
- 专家说不出来的时候,让他评判,别让他生成。先让 AI 按现有材料和行业惯例给一版排法,再拿三组去问他哪个不对。
- 新设的规则要拿真实数据回放:挑几个刚做完的项目,把当时的输入喂进去,看它算出的结论和当年人的判断差在哪。差得多,说明口径还漏条件。
- 回放之前先走人在环,人工做几单,把每次的判断记下来,个案攒够再固化。
- 人算不出来的量交给 AI 算、人看结果。把口径写成参数(权重、阈值、封顶),让它把 2,820 对一次算完,人只看那些反直觉的几条,反直觉的地方通常就是口径漏了条件。
有用的小技巧
- 设计出来的规则跟挖来的分开标。挖来的验收是「换个人拿材料能做出同样判断」,设计出来的做不到,它本质是一个假设。
- 新设的节点写明谁拍板。规则是设计出来的,责任不能跟着设计掉。
- 从人在环开始,人工做几单再固化。现在是半自动:口径由人定,AI 算和给候选,人的纠正留痕;让 AI 自己改口径,还没到那一步。
Tip 7 · 异常和人工接管点:写清哪些情况交回人手上
决策点旁边有两样东西最常被漏掉:异常怎么处理、什么情况交回人手上。只写「需求确认后就进排布」,材料不全、SOW 没写职级、证书没有有效期、岗位没有必须能力项这几种怎么办,一个字没有。真出异常,Agent 要么幻觉,要么卡住。
实践方法
- 每个 L5 都登记异常处理与人工接管点。
- 人机分工分四档:低是全自动,中是 AI 产出人工抽检,高是人工终审,必停确认。
- 必停落到动作上:对外的承诺、写关键业务数据、改画像结论、Agent 自判不确定,这几类动作要停下来等人;产品方案里还单列一类「连续失败或重试超限」,走降级加升级人工。
- 拿一条规则,用真实项目里出现过的坏输入喂一遍,看它有没有停下来。停不下来,说明这条规则只覆盖了正常路径。
规则写下来是四格,最后一格是冲突仲裁,例外和人工接管就写在那一格里,跟着这条规则一起被读、被实现,不是文末另开一节「注意事项」。第四格空着的那条,等于只写了正常路径,上线后碰上材料不全、SOW 缺一段、岗位和团队配置对不上,它就只剩两条路:编一个看起来合理的值,或者卡在那里不动。
现在真在跑的几种冲突是这么定的:

有用的小技巧
- 两条硬规则先写死:P0 岗位不许留空;证据不足标「未评级」,不硬定级。
- 人工接管点写到具体动作上:推荐下一个候选可以放行,把结果直接发给客户就要交人;判断本身可以先让 Agent 做一遍,再交人看。
- 异常先抓会改结论的那几类:缺证、缺档期、口径没定。这几类不写,Agent 会自己填一个看起来合理的值;提示语、导出格式只影响体验,往后放。
Tip 8 · 信息提取要点:把原文的说法落到能力项或证书上
从 SOW 里把必须能力、加分项、证书要求抽出来,看着像「抽取」,其实一半的活是把原文的说法落到能力项或证书上:写「熟悉分布式系统」,要对到能力模型里的哪一项;写「有金融行业经验」,要定成必须还是加分;写「持证优先」,要看它落到哪张证书上。原文的说法和标准项之间隔着一段翻译,这一段没对完,抽出来的东西用不了。
实践方法
- 一份材料一张表,五列写满:目标字段、定义、典型位置、变体、易错点。
- 表底补一行验收门槛:每条都落到能力项或证书上、定好必须还是加分,才算抽对了;落不上的转人工。
- 抽出来的每一项都带出处,Agent 后面说「这一条我这么判」,点得回原文那一句。
- 对不上能力项清单(8 族 18 域 51 项)的,进外词池待审,不硬归类。
Staffing 场景里落成三张表:SOW 那张承载岗位职责与能力要求,销售提案那张承载硬性条款与证书,staffing_request 那张承载 role、grade、起止与投入。

信息量最大的是「易错点」那一列。SOW 表里记的是:团队与能力要求章节写的是候选人要求,不是已完成工作证据;销售提案表里记的是:证书别名没归一时,CKA 和 cka 会被当成两张证;staffing_request 表里记的是:同一行两个方向只在 notes 里区分,漏读会把两个人的要求合并成一个。这几条没有一条能靠抽取算法自己发现,都是抽错过一次才补上去的。
验收门槛也具体:每条必须能力要能指回 SOW 章节与原文句;团队与能力要求章节里抽出来的 0 条进工作证据;定位不到的要求标「推断」或转人工补证,不替它编出处。
有用的小技巧
- 原文里的「熟悉」和「精通」经常是同一个意思,按证据分级,不按字面。
- SOW 先按「待确认」抽一版,不确定的项标出来交销售确认。不在抽取阶段替客户把话说死。
Tip 9 · 挖知识是否挖到位,要过三关:使用点、可交接、待确认
三关都过才算挖完。前两关当场数得出来,第三关要往前推,不能停在等人确认上。
实践方法
- 第一关,每条规则都要绑定使用点。绑定时记三格:规则编号、绑定到哪个 L5、在什么条件下触发,任意一格空着,这条规则就等于没绑。
- 第二关,把一份真实材料交给另一个人,看他能不能做出同样的判断。做不出来,说明还有一部分只留在原来那个人脑子里。
- 第三关,没定下来的地方有没有落到人头上、有没有截止日;到截止日还没定,就按写明的假设往下走。

有用的小技巧
- 第一关四项要全过:找得到规则、找得到使用点、名称一致、异常处理一致。Staffing 场景里 98 条规则声明了 279 次使用点绑定,去重正好覆盖 114 个 L5。
- 没有使用点的规则直接删,或者放进「预留区」,标明哪一期启用、依赖什么前提。
- 第三关别等全对齐。第一版 MVP 不追求每条都有共识:没共识的地方写清假设的规则和结论,到时间点还定不下来,就带着这个假设进 MVP,用真实反馈回来改。
第二关最容易被糊弄过去。有一份六十页的材料,流程、角色、制度、系统入口都齐,翻到「缺证怎么处理」那一页,写的是「按客户要求执行」,客户要求什么、谁来判定、判定之后走哪条路,一个字没有。覆盖看着全了,判断还在原班人身上。采集的视角和移交的视角,差在这几处:
| 维度 | 采集视角 | 移交视角 |
|---|---|---|
| 访谈 | 记录他说了什么 | 逼出他凭什么这么定 |
| 交付物 | 一份更厚的文档 | 一条对应具体动作的规则 |
| 验收 | 看起来全不全 | 换个人能不能做出同样的判断 |
| 待确认 | 没挖完,还得补 | 标出这里不知道,谁去确认、什么时候确认 |
| 维护 | 交完就结束 | 口径有主,会作废,跟着业务改 |
第三关的现场:6 条待确认项全部标了 blocking: false,带负责人和截止日。响应时限的档位配置和文档里都没给值,就写「先按预警 3 个工作日、注意 5 个工作日占位,待经营分析确认」,谁看都知道这条还没定,但第一版可以先往下走。
4. 写在最后
挖出来的知识,下一步怎么用
往下一层走时分三类去处。
- 进入本体:术语表定对象命名与字段口径,关系图定对象之间的引用,任务流程清单拆成人机步骤与人工接管点。
- 放进实现:决策规则清单里能定死的部分写成规则,由程序执行;核心模板变成页面的固定骨架和渲染规则;信息提取要点变成抽取环节的字段表与出处。
- 封装进 Agent:需要模型读懂、写出来、做模糊判断的那部分装进 Agent 的上下文,规则连同使用点、异常处理和人工接管点一起带过去,既是它的判断依据,也是它判断不了时停下来的边界。
0 到 1 最费劲,但飞轮得先转起来
这一轮做下来,占时间最多的是两件不起眼的事:术语表和任务流程清单。术语要一条条裁决,流程要拿真实项目回放,一个场景头一版差不多几个月。

Agent 的效果,来自于对企业知识的吸收。AI 之前,人们一直想管好企业知识,主要靠人手动整理,所以一直没有真正做起来。
到了 AI 时代,知识成了必需品,Agent 要干活,手里先得有这一层;同时在用的过程中,每次反馈都会把人的判断吸进去,知识跟着持续更新,自然而然就转成了知识飞轮。比如 Staffing 里的岗位匹配评估和推荐策略:评分口径 v1 是八项加权,真跑一批数据才发现硬条件被当成可打折的偏好,才有了 v2。
初始版挖知识不太容易,一个场景几个月;飞轮转起来之后,后面就省力了。
挖知识这九条,是我们过去一段时间总结下来的经验,不一定每条都适用;各位在自己的项目里是怎么处理的,也欢迎分享。
[注:文中公司名与人名均为化名;案例中的岗位数、人数、匹配规模与清单条数取自脱敏后的案例数据,仅用于说明方法。]


