10 月 23 日至 24 日，DACon 2026 北京站，企业本体与知识工程专场中，网易智企 · 云商智能化资深产品经理王光宇带来演讲《从知识加工到知识治理：企业知识如何成为 Agent 可直接调用的底座》。
网易智企 · 云商 Mind Studio（网易智企 AI 知识库）是网易智企旗下的企业级 AI 知识库，面向 Agent 服务的垂类知识库，用「三层检索 + 知识图谱」让企业知识找得到、找得准，为 AI Agent 提供可控、可信的知识底座。
这场分享没有从模型开始，而是从一个很小的问题开始。这也是 Mind Studio 在客户项目中反复遇到、也最值得先解决的问题。
网易智企 · 云商的判断是，企业从来不缺内容，缺的是一套能认出对象、接上关系、回到证据的导航体系。
用户问：“A2 Pro 的滤芯多久换一次？”知识库却召回了 A1 Pro 的维护章节。
答案语句通顺，内容也来自真实文档。单看那段话，几乎挑不出毛病。但对象从一开始就错了，业务自然不敢用。
这正是很多企业知识库的现状：内容不少，检索也能返回结果，但 Agent 进入业务之后，答案还是会出现“看起来对、实际上不对”的情况。
问题到底出在哪？
一道错题，暴露三种断点
第一种，是对象错位。
A2 Pro 和 A1 Pro 只差一个字符，文本相似度很高。系统如果只按语义相近程度排序，就可能把两个型号混成一个。
第二种，是关系断开。
问“解除配对后哪些功能失效”，答案可能同时涉及通知、世界时间、自动校时等几个章节。单段都不够像问题，但背后的影响关系必须一起取回。
第三种，是别名失配。
用户说“红腰子”，正式商品名却不一定这么写。口语、旧称、错字和行业黑话没有回到同一个对象，检索从第一步就偏了。
三种现象指向同一个结论：「企业知识已经进库，不等于能被 Agent 稳定调用。」
怎么定位问题？
Mind Studio 不是把客户问题直接丢给一层检索，而是先把对象、关系、别名三类断点拆开诊断，再决定知识接入、词库和多路召回怎么组合。先定位对问题，后面的产品能力才不会用错地方。
本体是概念词，我们选择合并为词库
这里把口径说透：本体是行业里的概念性词，很容易被理解成一张概念关系图；但在我们的产品里将它合并成了“词库”。
本体是以实体 ID 为锚点，落在两件事上：给同一个业务名称提供一个稳定的 ID；把业务名称的各种叫法挂到这个 ID 上，形成词库且绑定互相关系。
后文沿用“本体”作为对外表述；具体建设、检索和维护的，都是词库。
标准名、别名、口语、缩写、错字和黑话都可以是入口，但最后必须回到同一个 ID。关系连接的也是 ID 与 ID，不是词与词之间。
A2-Pro、A2pro、A2Pro 滤芯，最终都落到 ID=22；A1 Pro 则必须是另一个独立实体。哪怕两者看起来很像，也不能为了省事自动合并。
但词库不是所有企业的第一站。
如果知识主要是 FAQ、制度、产品说明和参数表，答案能在单篇内闭环，通用 RAG、混合检索加工具取数，往往已经能覆盖绝大多数场景，效果可能达到 80%～90%。
真正需要词库的，是知识持续增长、问题高频、错误成本高同时出现的时候。那时再升级，不是提前为所有未来付费，而是承认现有检索已经接不住业务。
怎么建词库？
Mind Studio 把本体做成可建设、可审核、可维护的词库：实体 ID、标准名、别名、关系词、标签词和约束词统一管理。客户拿到的不是一张概念图，而是能直接支撑检索、权限和追溯的知识资产。
客户的词库，不是模型自己长出来的
客户的词库从哪里来？现场给出的方案分三段：业务条件占 30%，自动化流水线占 40%，业务约束占 30%。
业务团队先告诉系统什么词能抽、哪些是行业内部说法；自动化流水线完成解析、抽取、分组和合并；最后回到业务侧，回答三个问题：这些叫法是不是同一个 ID？两个近似对象是否必须拆开？这条关系有没有原文依据？
最后提供的不是模型生成的漂亮图谱，而是业务确认过口径、版本的企业词库。
怎么交付词库？
业务条件 30%、自动化流水线 40%、业务约束 30%，不是纸面方法，而是 Mind Studio 在客户项目里跑通的交付链路：规则前置、自动抽取、人工审核，最后把客户口径固化进词库。通用模型负责抽候选，真正难懂的业务约束由产品和交付一起补齐。
词库进入业务，靠的是知识工程
词库建好，不等于业务就能用。知识进不来、切不好、路由不对、查不清，再好的词库也只是离线资产。
知识工程要走完六步：接入、加工、解析、调试、路由和回溯。精确事实先圈字段取值；长文档按章节和页码定位；型号关系和跨文档问题沿实体关系补证据；通用问答用切片、关键词和向量兜底；全过程用 TraceID 保留召回路径。
这里有一个很重要的原则：「不是所有问题都强行走图谱。」
词库负责在需要的场景里对齐对象、补关系、补约束；通用问题仍然走成本更低、速度更快的链路。
怎么接进业务？
Mind Studio 支持从接入、加工、解析到多路召回和 TraceID 回溯的完整链路，精确问答、长文档、跨文档关系和通用问答可以走不同路径。产品力不在把所有问题都推上图，而在把合适的技术放到合适的业务问题上，还能查得清。
上线不是终点，知识飞轮才刚开始
企业知识不会停在交付当天。政策会更新，产品会迭代，型号会增减，业务口径也会调整。
所以，飞轮先做治理，再做回流：重复内容先清，多版本先合并，过期知识自动下线，新叫法不管能不能和已有 ID 合并，都会交给用户确认，避免造成歧义。
然后把真实业务数据拉回来：业务问答、智能诊断、人工确认、回流、再加工、再解析。
最后用同一批问题、同一套知识、同一评测口径复跑。
在 Mind Studio 的实际项目里，图谱关联准确率从 55% 提升到 88%。这 33 个百分点，没有换更强的模型，中间隔着词库、工程、治理和回流。
同一批复跑里，知识命中率达到 85% 以上，引用可追溯率达到 90% 以上。
怎么验收长期效果？
Mind Studio 已经把治理、badcase 回流、同口径复跑和指标验收做成可持续运营能力。实际项目中，图谱关联准确率达到 88%，知识命中率 85% 以上、引用可追溯率 90% 以上、检索响应控制在 3 秒以内。客户得到的不是问答入口，而是一套能持续变好的知识系统。
这场分享留下的三个判断
第一，不要先上 Agent，再补知识。
编排得再顺，召回的也可能是错对象和断关系。
如果这个 Agent 强依赖知识，那它的上限，是由能不能拿到正确、完整、可追溯的知识决定的。
第二，不要为了少数复杂场景，给所有简单知识做重。
简单业务先用低成本链路跑起来，拿到 80%～90% 的结果。
等知识量增加、问题变复杂、错误成本变高，再升级词库。
前面跑出来的结果不是沉没成本，而是升级的起点。
第三，不要把知识库当成一次性交付物。
它不是一个建完就封存的仓库，而是一套需要持续治理、回流和验收的运行系统。
怎么分阶段落地？
Mind Studio 交付的不是一套只能演示的知识库，而是从知识诊断、词库建设、知识工程到长期运营的完整方案。先让简单业务跑出 80%～90%，到复杂度拐点再升级，这条路已经在真实项目中走通：既控制前期投入，也给后续增长留足空间。
写在最后
企业从来不缺内容。
缺的是一套让 Agent 找得到、找得准、答得全、追得回，还能长期跑下去的知识底座。
这也是 Mind Studio 持续打磨知识库产品的原因。如果你也在处理复杂知识、Agent 落地或知识库长效运营的问题，欢迎交流。
免责声明：本文为本网站出于传播商业信息之目的进行转载发布，不代表本网站的观点及立场。本文所涉文、图、音视频等资料之一切权力和法律责任归材料提供方所有和承担。本网站对此咨询文字、图片等所有信息的真实性不作任何保证或承诺，亦不构成任何购买、投资等建议，据此操作者风险自担。