LangChain創始人Harrison Chase近日發表文章《How to build a knowledge factory》,提出企業AI落地的關鍵瓶頸並非更好的模型或更多上下文,而是「更好的知識」——公司如何運轉、操作標準、數據存在哪裡、如何訪問。該觀點引發連鎖討論,既有落地實踐分享,也有開發者對AI與人類關係的反思。

核心主張:知識比模型更關鍵

Chase在文章中分析,最高效的員工把知識裝在腦子里:知道找誰、去哪找答案、為甚麼事情要這樣做。這些知識往往是隱性的、分散的。

要讓AI在企業中真正發揮作用,就需要收集、整理並持續維護這些知識。基於這一理念,Chase提出「知識工廠」概念,強調企業需要系統化地構建知識管理流程,而非單純依賴模型能力的提升。

企業AI落地的關鍵瓶頸並非更好的模型或更多上下文,而是「更好的知識」。

實踐案例:後台「做夢」agent佔比達20%-50%

文章發佈後,Elias Lumer分享了內部agent的落地實踐,並獲得Chase轉發。Lumer透露,其團隊將上下文分為skills、system prompt、user memory、global memory等不同類型,其中大部分由後台agent自主更新。

Lumer特別提到,後台/「做夢」agent與自動化的佔比持續上升,已達到總運行量的20%-50%,觸發間隔從每1天、7天到最短5分鐘。

上下文類型更新方式
skills主要由後台agent自主更新
system prompt主要由後台agent自主更新
user memory主要由後台agent自主更新
global memory主要由後台agent自主更新

此外,數據保留策略會影響即時知識指針:agent從MCP讀的數據可能只有7天有效期,因此需要提前存入user memory/wiki備用。

與LangChain觀點重合的部分之外,Lumer團隊也有不同做法:他們把curator agent(知識策展)和主agent當作同一個agent,而不是分開兩個角色。

開發者追問:造工具還是訓練替代者?

討論中,開發者Dmitry Grinko針對文章發出靈魂拷問:作為員工,不禁想問——我們到底是在為自己造更好的工具,還是在訓練自己的替代者?Chase轉發了這條評論,顯示出這一議題在從業者中引發的共鳴。

我們到底是在為自己造更好的工具,還是在訓練自己的替代者?

這一追問折射出企業Agent落地過程中的深層矛盾:知識工廠在提升AI效能的同時,也可能重構人與工具的關係。目前,相關討論仍在社交媒體上持續發酵。

後續關注

企業Agent的知識管理正成為落地核心議題。如何平衡知識沈澱與員工價值、如何設計後台agent的觸發與更新機制,將是業界持續探索的方向。