内部 AI 知识助手搭建手册
内部 AI 知识助手搭建手册
很多企业的问题不是没有知识，而是知识太分散。答案可能藏在 PDF、销售资料、会议纪要、SOP、Slack 记录、老员工经验或客户交付文档里。
Morgan Stanley、Moderna、Zapier、GitHub 企业研究等公开案例说明，真正有效的内部 AI 不是一个随便聊天的机器人，而是一套受管理的知识工作流：有资料来源、有评估问题、有采用培训、有人工复核，也有持续更新机制。
这篇手册把这些做法缩小成适合团队、代理商、咨询公司、学校或专业服务机构使用的版本。
内部知识助手应该做什么
它应该帮助团队：
- 查找已批准的内部资料
- 总结长文档
- 对比政策或流程
- 基于资料起草回答
- 解释 onboarding 内容
- 准备会议纪要或跟进事项
- 发现文档缺口
它不应该替人做最终决策。人仍然要对最终输出负责。
第一步：只选一个知识领域
不要一开始就做“全公司知识库”。先选一个高价值领域。
| 领域 | 使用者 | 常见问题 |
|---|---|---|
| 销售资料 | 销售、创始人 | 如何向某类客户解释价格？ |
| 客户交付 | 代理商团队 | 标准 onboarding 怎么做？ |
| 内部政策 | HR、运营 | 差旅报销规则是什么？ |
| 产品支持 | 客服、成功团队 | 这个问题怎么排查？ |
| 培训资料 | 老师、教练 | 哪一课解释这个概念？ |
| 研究档案 | 分析师、作者 | 哪些来源支持这个观点？ |
Morgan Stanley 的案例说明，对知识密集型团队来说，快速找到可信资料本身就是很大的价值。
第二步：盘点资料来源
先做资料地图。
| 资料类型 | 是否纳入第一版 | 说明 |
|---|---|---|
| 正式政策文档 | 是 | 优先使用当前版本 |
| SOP 和清单 | 是 | 非常适合内部助手 |
| 销售资料 | 是 | 前提是口径一致 |
| 客户通话记录 | 视情况 | 先去除敏感信息 |
| 聊天记录 | 第一版通常不建议 | 太杂，需要清洗 |
| 草稿文档 | 不建议 | 容易和正式资料冲突 |
| 旧政策 | 不建议 | 单独归档 |
第一版宁可小而干净，也不要把公司所有文件都扔进去。
第三步：给资料打质量分
每份文档按 1 到 5 分打分。
| 分数 | 含义 | 处理方式 |
|---|---|---|
| 5 | 当前、批准、完整 | 第一批纳入 |
| 4 | 当前但需要轻微整理 | 修改后纳入 |
| 3 | 有用但不完整 | 只作参考 |
| 2 | 过期或有冲突 | 不纳入 |
| 1 | 来源不明 | 不纳入 |
这一步可以避免 AI 把旧政策、草稿和正式资料混在一起回答。
第四步：定义回答规则
推荐规则：
- 只根据批准资料回答
- 尽量说明资料来源
- 资料缺失或不清楚时要明说
- 问题太宽时先问澄清问题
- 不编造政策、价格、法律条款或承诺
- 外部回复只作为草稿，需要人工复核
- 敏感问题转给资料负责人
涉及法律、医疗、金融、合规或客户隐私时，必须保留人工审核。
第五步：建立评估问题集
Morgan Stanley 的案例强调了评估的重要性。小团队也可以做轻量版。
准备 30-50 个测试问题：
- 10 个简单事实问题
- 10 个对比问题
- 10 个总结问题
- 5 个边界问题
- 5 个应该拒答或升级的问题
- 5 个资料缺失的问题
示例：
| 问题 | 预期答案 | 来源 | 通过标准 |
|---|---|---|---|
| onboarding 时间线是什么？ | 14 天流程 | 客户 onboarding SOP | 覆盖 4 个阶段 |
| 能否承诺两周 SEO 结果？ | 不能 | 收入与交付政策 | 不做保证性承诺 |
| 新退款规则改了什么？ | 对比新旧版本 | 退款政策 v3 | 只使用当前版本 |
评估问题集就是你的质量控制系统。
第六步：设计使用入口
助手要出现在团队实际工作的地方。
可选入口：
- 内部聊天工具
- 私有网页
- 客服后台侧边栏
- Notion 或知识库页面
- 共享工作区
- CRM 备注助手
第一版只保留三种输出：
| 输出 | 用途 |
|---|---|
| 简短回答 | 快速内部确认 |
| 带来源总结 | 较长问题和资料梳理 |
| 回复草稿 | 人工编辑后发给客户 |
不要让第一版功能过多。
第七步：设置隐私和权限规则
上线前要明确：
- 谁能访问助手
- 哪些资料允许使用
- 哪些资料不能使用
- 是否允许使用客户数据
- 输出由谁复核
- 资料由谁维护
- 日志如何保存
如果涉及客户资料、员工资料、法律文件或财务信息，这一步尤其重要。
第八步：用真实案例培训团队
Moderna 和 Zapier 的案例都说明，AI 采用不是发账号，而是培养使用习惯。
可以做一场 45 分钟训练：
- 展示 3 个好问题
- 展示 2 个坏问题
- 演示如何核对来源
- 说明什么时候必须升级
- 让每个人带一个真实流程来试
- 把优秀示例整理成共享模板
目标不是让所有人成为 AI 专家，而是让助手进入日常工作。
第九步：衡量实际采用情况
追踪简单指标：
- 每周活跃用户
- 提问数量
- 回答是否被使用
- 输出需要修改多少
- 失败或升级问题
- 缺失文档主题
- 重复工作节省情况
- 用户对答案的信心
GitHub 与 Accenture 的研究提醒我们，不要只看兴奋感，要看真实工作是否被改善。
第十步：每周更新资料库
助手会暴露公司文档的问题。
每周复盘：
- 无法回答的问题
- 低置信度回答
- 相互冲突的文档
- 反复被问到的政策
- 需要重写的资料
- 更好用的提示词
- 可以固化成模板的流程
内部知识助手不仅是搜索工具，也会变成公司知识质量的诊断工具。
可以包装成什么服务
可以做成“私有 AI 知识助手冲刺”：
| 阶段 | 交付物 |
|---|---|
| 发现问题 | 选定一个知识领域和使用人群 |
| 资料审计 | 文档地图和质量评分 |
| 原型搭建 | 一个入口和三种输出模式 |
| 评估测试 | 30-50 个测试问题和通过标准 |
| 团队培训 | 使用演示和提示词示例 |
| 治理规则 | 权限、维护人、复核规则 |
| 30 天复盘 | 改进报告和下一步计划 |
这比“搭一个聊天机器人”更有价值，因为它解决的是企业已经存在的痛点：知识找不到、用不好、传不下去。