LangChain创始人Harrison Chase近日发表文章《How to build a knowledge factory》,提出企业AI落地的关键瓶颈并非更好的模型或更多上下文,而是「更好的知识」——公司如何运转、操作标准、数据存在哪里、如何访问。该观点引发连锁讨论,既有落地实践分享,也有开发者对AI与人类关系的反思。
核心主张:知识比模型更关键
Chase在文章中分析,最高效的员工把知识装在脑子里:知道找谁、去哪找答案、为什么事情要这样做。这些知识往往是隐性的、分散的。
要让AI在企业中真正发挥作用,就需要收集、整理并持续维护这些知识。基于这一理念,Chase提出「知识工厂」概念,强调企业需要系统化地构建知识管理流程,而非单纯依赖模型能力的提升。
企业AI落地的关键瓶颈并非更好的模型或更多上下文,而是「更好的知识」。
实践案例:后台「做梦」agent占比达20%-50%
文章发布后,Elias Lumer分享了内部agent的落地实践,并获得Chase转发。Lumer透露,其团队将上下文分为skills、system prompt、user memory、global memory等不同类型,其中大部分由后台agent自主更新。
Lumer特别提到,后台/「做梦」agent与自动化的占比持续上升,已达到总运行量的20%-50%,触发间隔从每1天、7天到最短5分钟。
| 上下文类型 | 更新方式 |
|---|---|
| skills | 主要由后台agent自主更新 |
| system prompt | 主要由后台agent自主更新 |
| user memory | 主要由后台agent自主更新 |
| global memory | 主要由后台agent自主更新 |
此外,数据保留策略会影响即时知识指针:agent从MCP读的数据可能只有7天有效期,因此需要提前存入user memory/wiki备用。
与LangChain观点重合的部分之外,Lumer团队也有不同做法:他们把curator agent(知识策展)和主agent当作同一个agent,而不是分开两个角色。
开发者追问:造工具还是训练替代者?
讨论中,开发者Dmitry Grinko针对文章发出灵魂拷问:作为员工,不禁想问——我们到底是在为自己造更好的工具,还是在训练自己的替代者?Chase转发了这条评论,显示出这一议题在从业者中引发的共鸣。
我们到底是在为自己造更好的工具,还是在训练自己的替代者?
这一追问折射出企业Agent落地过程中的深层矛盾:知识工厂在提升AI效能的同时,也可能重构人与工具的关系。目前,相关讨论仍在社交媒体上持续发酵。
后续关注
企业Agent的知识管理正成为落地核心议题。如何平衡知识沉淀与员工价值、如何设计后台agent的触发与更新机制,将是业界持续探索的方向。
