大模型+知识管理发展趋势及标准化工作介绍

推荐语

大模型时代下企业知识管理的转型与挑战。

核心内容：
1. 大模型技术如何推动企业知识管理变革
2. 中国信通院在知识图谱领域的研究与标准化工作
3. 企业知识能力建设面临的困境与解决方案

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

01

部门及工作简介

1.  中国信通院简介—信息社会创新发展的思想库和使能者

中国信息通信研究院属于工信部直属的事业单位，早在 2018 年便开启了知识图谱领域的研究工作，并制定了知识图谱的首个行业标准。此后持续深耕知识领域，不断推进相关的标准化研究工作，为多项政策提供了有力支撑。

信通院的工作主要聚焦于两大方面：一方面，为工信部提供全方位的支撑服务；另一方面，搭建产业创新发展的平台，邀请各企业共同参与标准的制定和方法论的输出。我们致力于持续完善国内相关产业生态，为产业生态的逐步健全提供智库参考，助力产业不断向前发展。

2. 云大所简介—聚焦信息领域新技术、新业态、新模式

我们是云大所大数据与智能化部，主要围绕数据和智能两大领域开展标准化研究及相关工作，同时也提供一定的咨询服务。

3. 重点工作方向及体系架构——大数据与智能化部门

大数据与智能化部主要包括六大业务板块，涵盖基础设施、中台治理、流通应用、安全等方面。

知识图谱相关工作是在流通应用板块推进的。每年，会开展一系列相关工作，包括制定相关标准，征集编制产业图谱、星河案例、白皮书以及研究报告等。在这方面，各方参与度颇高，这也成为我们的一大优势。我们能够汇总各方关于知识图谱、知识相关的最新资讯、方法论以及行业痛点等，将其总结归纳成标准、图谱、研究报告等形式。这些成果一方面为产业赋能，另一方面也为国家相关政策提供有力支撑。

02

企业知识管理

1. 从数据到知识

早在 2014 年大数据概念兴起之时，云计算与大数据研究所便应运而生。不过，后来又聚焦于“知识”这一概念，因为数据与知识是存在差别的。从定义上看，数据是对真实世界的客观记录，其价值密度相对较低。随着互联网与数字经济的发展，数据增长速度愈发迅猛，尤其是非结构化数据已占据主要地位。

从数据到信息，再到知识，其价值密度逐步提升，重要性也日益凸显。部分知识甚至能直接赋能业务决策。知识的特点包括，更新相对缓慢，价值较高，通常需要具备真实性，能够指导实践，并通过实践得以验证等。

知识的价值不言而喻，而在大模型时代，其重要性愈发显著。各方无论是开展 RAG（检索增强生成）工作，还是推进领域类大模型的应用落地，都离不开知识的支撑。

2. 企业知识能力建设过程中面临的三大困境

企业在知识能力建设过程中，往往会面临诸多困难。许多知识掌握在资深从业者手中，若想将这些知识归集到企业内部，进行统一汇总，难度着实不小。知识来源于长期的行业积累，尤其是在医疗、法律等行业，知识积累对从业者而言至关重要。

不少行业存在大量隐性知识，像工业、生产制造等行业便是如此。这些知识分散各处，需要采用特定的挖掘方式，才能将其汇总整理成文本或方法论。而且，很多知识存在相互矛盾之处，更新也不及时，缺乏相关的更新协同机制，这会给企业知识体系建设带来诸多问题。此外，知识挖掘加工对智能化技术的门槛较高。

以大模型时代下的传统业务为例，很多医院虽有信息化支撑公司，但大模型出现后，它们迫切希望了解有哪些厂商能解决医疗知识相关问题，比如构建大模型与智能体、打造知识库等，这方面的需求颇为旺盛。

3. 企业知识管理的发展演进

知识管理的发展大致可划分为三个阶段：

• 知识管理阶段，各方主要关注知识的存储、查阅、检索、共享等基本能力。由于知识价值密度高，知识管理可以算是计算机应用最早的场景之一，如档案、政府机构文件、大企业相关信息等的管理都属于此类。

  
  

• 进入信息化时代，随着数字化的发展，医疗、司法、教育等重点知识密集型行业涉及的文件数量庞大，知识密集程度高。除了简单的知识管理，这一阶段更开展了进一步的加工挖掘，即知识工程。在一些知识关联较多的场景，如风险控制等，会采用图谱的方式来组织信息。

  
  

• 之所以将大模型出现后的阶段称为中台时代，是因为大模型出现后，分散在各个部门、团队的知识呈现出集中化的趋势。很多大型企业开始规划整体的知识服务体系构建，将分散在各部门的知识汇总起来，训练行业垂直领域的大模型。因此，知识汇总具有必要性。

  
  

除了知识管理和知识工程部分的工作，这一阶段最重要的是如何通过 RAG（检索增强生成）或精调等方式，赋能垂类大模型，实现大模型的知识应用，包括支撑问答、知识库搜索、相关领域创作编码、数字员工等。这离不开对企业知识体系的详细梳理，以及知识汇聚、知识质量管理等相关工作。在大模型前期落地时，很多企业追求速度和创新性。但在持续运营阶段，知识管理的运营效果直接影响大模型落地的最终成效，因此各方对此都非常关注。

03

知识中台发展趋势

1. 大模型时代知识管理新模式

企业在构建知识中台时，通常采用三层架构：知识资源层、知识中台核心能力层以及上层行业应用层。知识中台是企业知识汇聚、组织管理与应用的综合载体，它从知识资源出发，一路延伸至上层知识服务，最终落地于各类应用。

在价值方面，知识中台能够沉淀业务知识，驱动创新应用，比如构建数字员工、智能客服、智能助手等。同时，它还能助力企业制度管理，为员工培训赋能。实际上，很多企业在很早以前就建立了相关知识库，尤其是医疗、法律等行业，在大模型出现之前，就已有相关知识储备。

大模型的出现，特别是像 DeepSeek 这类模型的问世，极大地推动了大模型的普惠发展。对于众多中小企业，尤其是知识密集型行业而言，DeepSeek 的出现意义重大。一方面，其部署成本相对较低；另一方面，它具备强大的思维链功能，且原生适配知识密集型行业。

2. 大模型同知识中台双向赋能，飞轮效益显著

大模型与知识管理之间存在双向赋能的效益。从能力角度看，大模型可视为一种具有通用知识的知识库，它拥有强大的通用性和泛化能力，具备一些通用常识。然而，若要在行业应用中落地，行业领域的专业知识是必不可少的。通常会以 RAG（检索增强生成）的形式，提供领域专业知识，这样不仅更新方便，而且具有很强的可解释性，还能进行图形化展示。

在大模型时代，数据驱动的小模型与知识驱动的大模型相互结合、共同赋能决策，已成为最常见的形式，也是未来的发展趋势。

3. 大模型的应用落地促进了知识中台关键技术发展

大模型可以对企业知识中台知识管理的各个环节进行深度赋能，涵盖知识的抽取、汇聚、存储、计算、加工、服务及应用等各个方面。

以医疗领域为例，此前企业在处理病例、X 光片等分析工作时，会涉及大量图像、图片、文本等多模态数据的处理，在大模型出现之前，这颇具难度。尽管不少科研院所进行了相关实践，但总体而言，这些技术尚未普及，仅停留在科研层面。

然而，DeepSeek 出现后，情况发生了显著变化。许多医院积极推进相关项目，探索构建多模态数据分析处理的方式。在知识存储计算层面，尤其是在知识处理方面，大模型能够更有效地对非结构化知识进行解析、挖掘和加工。最终，在服务层面，大模型可提供更便捷的知识检索、问答、知识洞察等服务。比如在搜索方面，以往可能仅能实现关键词匹配搜索，如今借助大模型，企业能够更好地开展内部知识检索，实现模糊搜索、多模态搜索等多种形式，大大提升了企业知识应用的效率。

4. 知识中台建设需明确建设目标，借助业务驱动

我们与众多开展知识管理的企业进行了交流，涉及供给侧和应用侧，大致了解了各方在知识库或知识中台，尤其是大模型引发知识构筑热潮下的中台建设情况。

一般来说，成功的项目通常有一些经验可循。首先要明确中台建设的目标，其目标通常分为几个部分。比如，有些知识中台的构筑是为了训练大模型，比较强调知识的分布和真实度等，借助这些知识帮助大模型减少“幻觉”。另一方面，有些企业构筑知识中台是为了满足企业内部使用，实实在在地赋能业务部门，提供知识、服务等。可见，各方的建设目标不尽相同，重点在于明确具体要朝着哪个目标发展，并借助业务驱动力。例如，有些运营商构筑相关能力，是为了营销人员的培训，像产品信息介绍、营销陪练等，他们会重点围绕这些方面梳理知识，构建相关工具平台。还有些知识中台服务于内部管理，如外部标准规范、报告等的管理。

知识中台建设有三个要点，分别为技术平台的构建、管理体系的构建以及运营工作。

5. 知识中台的应用持续深化，正在深入各行各业

我们汇聚了相关案例，与众多企业协同撰写了知识中台发展报告，对各行业知识管理体系建设进行了梳理。

在知识密集型行业中，制造业，尤其是军事工业、半导体以及尖端设备研发等领域发展较为领先。这些行业拥有大量领域内的隐性知识，如何将这些隐性知识显性化、梳理并沉淀出来，是各方关注的重点。

而医疗、法律、金融、电信等行业，更关注知识服务。这些行业已积累了一定的知识沉淀，例如医疗行业的往期病例、诊疗规范操作，法律行业的条文等。它们更关心如何提供更智能的知识服务，以赋能一线从业者，让医疗、法律等人员能更高效地开展工作，避免被取代。目前，这些行业在建设过程中，多以助手形式赋能一线人员。在金融、电信领域，智能客服、营销、投研等方面已有诸多落地应用。

此外，政务、交通、建筑等行业一般以知识管理为核心，着重于更好地统一纳管知识，并训练大模型等。总体而言，知识中台的应用正持续深化，深入各行业、各业务场景。

6. 人工智能时代知识中台发展报告

我们编制了知识中台发展报告，该报告即将发布，众多领域内的头部企业也参与了此次报告的编写工作。

7. 企业知识中台能力成熟度模型

去年，我们联合多家企业共同完成了企业知识中台能力成熟度模型标准的编制工作。这一标准汇总了企业在知识中台能力建设过程中的方法论，涵盖如何搭建工具平台，如何进行知识的汇聚、抽取、构建、加工与管理，以及其服务应用等方面。具体包括如何开展知识协作、检索推荐、内容生成等相关服务应用，还有如何支撑智能体或智能算法的相关服务。

8. 通用知识图谱工具技术要求与测试方法

《通用知识图谱工具 技术要求与测试方法》标准，是我们在知识图谱领域最早制定的标准，内容覆盖数据接入、元数据定义、抽取、存储、查询、融合，以及数据推理与分析、图谱展示等多个维度。

目前，我国知识图谱领域的头部厂商基本都通过了这项知识图谱技术要求的相关测试，可以更好地证明其在相关方面的能力。

04

标准化工作介绍

在大模型发展进程中，我们联合众多知识图谱相关企业，制定了《大模型驱动的智能知识图谱技术要求》标准。实际上，在 GraphRAG 概念出现之前，我们就已开展此项标准制定工作。当时，该标准着重强调如何运用知识大模型技术赋能知识图谱，比如在知识交互、知识推理方面，以及如何通过大模型更便捷地构建知识图谱。大模型能够处理文本或非结构化数据，企业可尝试借助其实现智能化本体建模、知识抽取、知识融合，自动化完成部分图谱构建工作。但图谱构筑完成后，仍需人工进行梳理。

GraphRAG 出现后，大模型与知识图谱的结合受到更多关注。另外，在大模型驱动的智能问答方面，我们强调如何将大模型技术与智能对话助手、问答助手有机结合，实现知识的高效检索与应用。

《检索增强生成（RAG）技术要求》这一标准是我们于去年年初制定的。该标准涵盖了知识构建、检索内容生成等相关能力，我们协同各企业梳理了一系列评价指标，旨在帮助企业进行 RAG 技术选型与实施。

《大模型驱动的智能知识管理平台技术要求》标准于今年 3 月刚刚完成制定。该标准的制定有相关领域厂商以及医疗、法律等行业的甲方参与。近期，尤其是自 DeepSeek 出现后，各方明显感觉到大模型应用的落地在逐步加速。

我们梳理发现，大模型应用落地较为密集的场景主要包括 ChatBI、智能代码助手等。而对于医疗、法律等行业，落地最大的场景是智能知识库，也可称作智能知识管理平台。

05

Q&A

Q1：在提到的众多标准以及中台构建相关内容里，更为关注最终效果，还是流程呢？

A1：我们其实更强调功能和流程方面。最终成效与场景结合十分紧密，我们会在标准里梳理一些评估成效的维度，但具体的成效评估方式，还是要结合各个业务场景。以大模型和 RAG 的成效评估为例，每个甲方在做选型时，都会有自己用于测试的类似数据集，或者一些用例，这些通常都是保密的，每个企业都有一份用于选型。虽然每个企业的评估方式存在差异，但我们有一套通用的方法论，比如如何进行场景梳理，如何构建面向各个场景的测试数据集等。

Q2：中台建设不能脱离具体场景，那么对于场景中的中台标准，你们是否会参与检查呢？比如面向医疗、法律等场景。

A2：目前，由于人力有限，一般先从通用标准入手，后续再梳理具体场景的方法论，因为其中有很多内容是通用的。而针对具体场景的工作量较大，即便都是医疗领域，不同医疗机构的具体场景也可能存在差异。所以真正落地时，还是需要具体情况具体分析，但通用的方法论也是很有必要的。