Wink Pings

LangChain的“知识工厂”:把员工脑子里没写下来的东西,变成AI的能力

LangChain联合创始人Harrison Chase提出“知识工厂”概念:AI在公司干活做不对事,往往差在知识——那些藏在员工脑子里、从未被写下来的公司运作方式。他拆解了知识工厂的三类知识和三个部件。

给AI更长的上下文、更强的模型,它在你公司里还是做不对事。LangChain的联合创始人Harrison Chase在一篇长文里指出,差的是知识。他把收集、整理、维护这些知识的系统,叫做“知识工厂”。

公司最优秀的员工脑子里有一堆隐性知识:公司怎么运转、操作标准是什么、数据放在哪、怎么访问。这些知识很少被写下来,有时只存在某个人脑子里,有时散落在一堆文档里。知识工厂要做的,就是把它们变成可用的形式,交给agent。

LangChain内部已经用上了。市场相关的GTM agent、内容agent,以及负责在运行记录上提修复建议的LangSmith Engine,背后都挂着一个知识工厂。

先分清楚两个词。上下文(context)是agent做任务时手边可用的信息。知识(knowledge)是为了把任务做对而长期维护的理解:某个指标怎么算、哪个数据源可信、某种情况怎么处理。有些被写下来了,更多时候没有。知识工厂要做的,就是把散落的文档和经验,变成未来任务可用的上下文。

为什么叫“工厂”?过去一年,“软件工厂”的概念很流行。与其让最优秀的工程师亲自写软件,不如让他们搭好系统,帮全公司的人更高效地写软件,具体的开发交给agent。普通知识工作也在走同样的路。agent已经能做演示文稿、做视频、做外呼。但要让它们干这些活,得先把公司里那些隐性知识喂进去。这是该投资源的地方。

知识分三类

他把要维护的知识分成三类。

第一类,技能。按公司期望的方式做事的流程、指令和脚本。很多从来没被写下来过,靠同事口口相传。值得写下来。

第二类,领域知识。不会频繁过期的核心信息,比如产品、客户、竞争对手、组织。通常被写过,但要么不全,要么已经过时。

第三类,数据访问指引。先有好的数据策略,Snowflake、Databricks这类。这是agent能干活的前提。数据源本身完整、及时,不用再维护一份副本。真正要维护的,是“什么数据在哪、怎么查”的说明。

工厂有三块

这三类知识不能靠手动维护,工作量太大。他认为知识工厂有三个部件。

第一块,让agent标记知识缺口的工具。agent干活时找不到信息,或发现已有信息是错的,应该上报。至少报告问题,最好附上修正建议。

第二块,维护agent(curator agent)。专门负责更新和维护知识。不能靠人,也不能让干活的agent顺手改。它们擅长发现问题,但修复需要理解底层知识和其他数据源,让它们改只会越改越乱。维护agent定期在后台跑,能访问Notion、Slack这些知识可能散落的原始来源,能看大家是怎么用agent的,再把经验固化成技能。

第三块,知识的存储。这是最不关键的环节,同时也是探索最少的方向。知识可以存成GitHub里的技能格式、Notion里的一个文件、LangSmith Context Hub里的OKF格式,或者Neo4j知识图谱。维护agent需要懂得怎么跟这些格式打交道。行业在“程序性记忆”上已经收敛到技能;更语义化的记忆,可能还会出现别的标准(OKF?)。现在谈这个还太早,不宜过度设计。

一个从白天到晚上的闭环

文章最后给了一个完整例子。

一个agent要准备营收报告。基础上下文:原始数据在BigQuery和Salesforce。知识:按LangChain风格做报告,存GitHub技能;ARR怎么算,存公司wiki;怎么访问BigQuery和Salesforce,存Context Hub技能。

agent跑起来,发现BigQuery改了一个列名。它现场找到正确列,用工具标记了问题,附上建议。报告写完后,财务负责人和agent同步改了几处格式,提了个新要求:LangChain所有新文档必须用新的页眉。

当天晚上,维护agent看到标记,检查运行记录,注意到这次交互,更新了对应技能:取数用新列,写报告用新页眉。第二天,同样的问题不会再绊住agent。

结论很简单。先建系统,让干活的过程暴露知识缺口,补上缺口,下一次干得更好。不用等所有事情都写进文档再让agent开工。从一条重复的工作流开始,看agent卡在哪,把闭环转起来。

原文:https://x.com/i/article/2124180107669766144

发布时间: 2026-11-22 03:44