LangChain 详解如何为 AI 智能体构建企业“知识工厂”
How to build a knowledge factory for AI agents
LangChain 撰文提出构建企业“知识工厂”的方法体系,旨在将组织内分散的隐性经验转化为 AI 智能体可直接利用的标准化知识。知识工厂将内容拆解为操作技能、领域知识及数据访问指引三类,并由业务智能体实时标记知识缺陷、后台策展智能体分析运行追踪自动回填更新,实现知识库的持续迭代。
原文拆解了智能体标记缺陷与策展智能体自动更新知识的闭环架构,为企业沉淀组织隐性知识提供了可落地的工程参考。
要让 AI 真正为企业创造价值,欠缺的往往不是更强的模型,也不仅仅是塞进更多上下文——而是需要更优质的知识。这包括企业如何运转、有哪些既定的业务规范、数据存放在何处以及如何调取。
最拔尖的员工往往把这些门道装在脑子里。他们清楚该找谁沟通、去哪里查答案、每件事为什么要按既定方式处理。这类知识往往是心照不宣、隐性且高度分散的——有时只存在于他们的经验里,有时则零散散落于各种文档之中。
想让 AI 发挥作用,企业就必须梳理、提炼并维护好这些知识的表达体系,再输送给智能体。帮助完成这一全流程的系统,我们称之为“知识工厂”(knowledge factory)。
在 LangChain,我们通过几种方式践行了这一构想:我们内部的 GTM 智能体与内容工坊智能体均由知识工厂驱动;用于分析追踪日志并提供修复建议的 LangSmith Engine,也会为每个智能体专门维护一座知识工厂。本文将分享我们的实践心得。
上下文与知识的区别
所谓上下文,是指智能体执行某项具体任务时能即时调用的信息。
而知识,则是我们持续维护、可复用的认知沉淀,用以确保任务执行无误:比如某个指标代表什么、该信赖哪处数据源,或者遇到特定情况该如何处理。这些知识有时形成了文字,但往往并未形诸笔墨。
知识工厂的作用,正是把分散的文档和零碎经验提炼成体系化知识,以便在未来任务中转化为上下文来使用。
因此,知识会作为一种上下文提供给智能体,但它往往不该、也不能是智能体获取的唯一上下文。像那些已经稳定摄取并存储的其他类型上下文,完全可以直接提供给智能体调用(详见下文关于快速变动数据的讨论)。
从软件工厂到知识工厂
过去一年半里,“软件工厂”的概念迅速升温。其核心逻辑在于:顶尖工程师不必亲自下场写代码,而应该去搭建“工厂”(即底层系统),帮助全公司更高效地开发软件。至于实际写代码的工作,则交由智能体完成。
如今,通用的知识性工作也在走类似的路径。智能体已经能够独立制作演示文稿、剪辑发布视频、开展销售外联。企业理应在这些工作上最大限度利用智能体。但要真正跑通这些任务,它们必须先掌握那些心照不宣、隐性且散落各处的知识。
这正是企业最该投入资源的地方。你需要构建起这些知识,更重要的是打造一座用于沉淀、提炼和维护这些知识的工厂。唯有如此,企业才能放心地把更多通用知识工作托管给智能体。
知识的构成要素
通常来说,需要持续维护的知识可以划分为以下几个模块:
- 如何开展工作——技能。 按照公司标准与要求完成各项任务的流程规程、操作指南和运行脚本。
- 业务如何运转——领域知识。 围绕产品、客户、竞对及组织架构的各项定义、业务规范与核心事实。
- 去哪里调取最新信息——数据访问指引。 该选用哪些数据源、各类数据分别存储在何处,以及如何检索查询。

技能:指的是在公司内部“按规范”办事的流程。也就是按照公司的特定要求完成任务的操作指南和脚本。很多时候,这些流程过去从未形诸文字(全靠同事间口口相传)。你应当尽量把它们记录下来。
领域知识:这类知识通常不会频繁过时,多为关于人员、产品、竞品的核心信息。它们往往已经有书面记录——但单纯因为信息量过于庞大,记录往往并不完整(甚至有误)。
数据访问指引:你需要有一套完善的数据战略(如使用 Snowflake、Databricks 等),这是打造实用智能体的基础。如果真实可信的数据源已经存在,并且数据完整、最新,就没必要再单独维护一份副本。相反,你真正需要维护的新内容,是清晰明确的操作指引:哪些数据存放在哪里,以及如何查询它们。
工厂的核心构件
要想让智能体真正派上用场,上述信息不可或缺。但千万别试图人工维护,那是一项极其繁重的工作。相反,你需要搭建一套系统来自动化维护它。一般来说,它包含以下几个模块:

让智能体标记缺失知识的机制:了解知识库缺了什么,最好的办法之一就是让智能体在执行任务时随手标记。当智能体接收到任务,却找不到所需信息,或者发现信息有误时,就应该主动标记出来!至少要给智能体配备一个能上报错误的工具,如果可能,还能让它建议正确的更新内容。
知识管家智能体:负责更新、整理和维护知识的专属智能体:这类知识不应通过人工手动更新,工作量实在太大;也不该只交给使用知识的业务智能体去更新——它们擅长标记哪里有错或缺失,但修复问题需要深入理解底层知识和其他数据源。如果让本身就在专注于完成自身任务的智能体去更新和维护知识,往往会导致知识库杂乱无章、矛盾丛生。相反,你需要一个在后台定期运行的管家智能体来专门更新知识。它应该能够访问散落在各处的原始数据源(如 Notion、Slack 等);应该能查看智能体的运行轨迹,从而观察人类如何使用智能体,并将其提炼为技能;此外,它还应能获取其他智能体标记的错误信息(正如上一节所提到的)。
知识存储:从某种角度看,这其实是最不重要的一环。你可以将这些知识以技能格式存放在 GitHub 中,也可以作为单个文件放在 Notion 里;可以按 OKF 格式存入 LangSmith Context Hub,或者作为知识图谱存入 Neo4j。管家智能体理应懂得如何与所有这些格式交互(这并不难)。但从另一个角度看,这又是一个最缺乏探索的领域:我们究竟该如何表征记忆?在整个行业中,大家对“程序性记忆”基本已经就技能(skills)形式达成共识;而对于更偏语义的记忆,很可能会诞生另一套标准(比如 OKF?)。目前阶段尚早,统一标准尚未形成——因此最好不要过早定死,也不要把格式搞得过于复杂。
整合全流程
最后,我们来看一个端到端示例:智能体如何生成一份营收报告。
智能体需要一些基础上下文:即存放在 BigQuery 和 Salesforce 中的原始营收数据。
其次是知识,通常包含以下几种类型:
- 技能:比如如何按 LangChain 的风格生成报告。这些内容以标准的技能格式存放在 GitHub 中。
- 长期知识:比如年度经常性收入(ARR)的计算方法。这类知识存放在公司 Wiki 中。
- 获取快速变动知识的方法:例如如何访问 BigQuery 或 Salesforce 中的原始数据。这些同样以技能形式存储,不过存放在 Context Hub 中。
智能体开始运行。它可能会注意到 BigQuery 中某个列被重命名了,于是实时推断出正确的列名。随后,它调用自带的问题上报工具标记这一异常,并建议使用正确的列名。
报告生成后,财务负责人与智能体实时协作调整了几处格式,其中就包括告知它换用一套 LangChain 所有文档现已启用的全新表头。
当天晚上,整理智能体(curator agent)注意到了被标记的问题。它还排查了该智能体的链路追踪(traces),发现了它与财务负责人的那次反复沟通。随后,整理智能体同步更新了相关技能(包括在提取数据时使用新列名,以及在撰写报告时采用新表头)。

结语
我们的目标并不是在智能体上手前把所有规范都写成文档,而是搭建一套系统,让智能体在实际工作中暴露知识盲区,并通过补全这些缺口来持续改善后续的表现。不妨先从一个周期性工作流切入,观察智能体在哪些环节遇到阻碍,然后把这个闭环跑通。
我们已经在 LangChain 内部搭建了这套系统,目前正与几家客户合作,帮他们的内外部智能体落地这套机制。如果你对此感兴趣,欢迎随时联系我们,我们可以提供协助!
来源:LangChain Blog · langchain.com