火山引擎VeKnow：企业AI知识底座如何打通三类数据难题

火山引擎数据平台推出了「企业级 AI 知识底座」VeKnow，它把大模型和大数据技术装进同一套体系，覆盖知识接入、加工处理、知识建模到智能问答的完整链路，目标是把企业里散落的知识连起来，让积累下来的经验变成可获取、可理解、可应用的业务智慧，为企业 AI 应用搭起上下文体系。

人把数据一步步挖深用透，判断力也就此慢慢成形：早先数据落在纸面上，查起来费劲；后来进了磁盘，能存住了；再往后有了数仓建模，可以拿来分析；数据中台则把一座座孤岛打通。放到商业场景里，数据同样是决策和判断的底子：电商那句“猜你喜欢”，靠的是实时计算；银行批不批贷款，要综合数十个维度做风险评估；机票价格随时浮动，背后是供需和竞争数据的动态分析……世界发生了什么，数据替它记着；“为什么”“怎么办”，人还得接着追问。如今数据又多了个新变量：AI。

这场人与数据的博弈，一直绕不开结构化与非结构化两类数据。先看结构化数据，它从“流程账本”走向了“决策依据”。

数据库管理那会儿，数据是为流程服务的：它长在业务系统里，只是流程运转的附属记录，靠关系型数据库做简单查询，像一本“可查询的流程账本”，事后才能翻看。到了数据中台时代，数据转而服务业务：变成统一可复用的资产，数仓与分布式存储扛起大规模实时接入；处理方式从批量分析升级为分布式计算、实时计算与湖仓一体，处理时间从“天”级压到“秒”级；应用则面向更精细的经营分析和面向终端用户的实时推荐。

非结构化数据也在觉醒，从“图书馆”走向“搜索引擎”。最早的知识沉淀是重存储轻应用：1990 年代，野中郁次郎 SECI 模型问世，知识管理成为一门学科，企业知识库工具兴起；但这类工具以存储归档为重，企业数据 80% 以上是非结构化内容，利用率不足 10%。

随后是共享与协作，隐性知识被显性化：2001 年维基百科上线，“共建共享”成为常识；企业内部 IM 与协同平台接着普及，成长型企业每年可沉淀数百万篇文档，员工却平均每天约 1.8 小时花在搜索信息上。知识形式拓展了，可碎片化的问题仍让它难复用。

再往后走，是检索和挖掘，技术这时开始给知识应用帮忙：2012 年 Google 知识图谱上线，语义关联走进普通人的视野；BERT 等预训练模型让机器读文本的本事大涨，云计算、NLP 与知识图谱凑到一起，文档变得可检索、可关联、可挖掘，人们获取知识的效率明显提高。这场拉锯打了很久，还没收场，下一个难题已经摆在面前。

结构化数据长着固定字段和 Schema，是表格模样，银行流水、订单记录、设备日志都算。它们被打理得整整齐齐——建库、建仓、建模，查得到、算得出、分析得了，可这些活面向的是数据工程师和分析师，专业门槛摆在那儿。角色之间的墙得拆掉，让每个做业务决策的人都够得着数据。

文档、制度、对话、影像这些属于非结构化数据，企业手里真正管用的“知识”，大多藏在里面。它们被存下来、归了档，可检索起来太慢，真正派上用场的场合并不多。得让它从“人找知识”翻个个儿，变成“知识找人”。

两类数据怎么串起来、融到一处、做出判断，靠的还是人的思考和经验。市场总监要定“某区域该不该加大投放”：销售流水、转化率、ROI 这些结构化数据摆出事实，投放规则和复盘报告里的判断准则躺在非结构化文档里，来回对照、掂量轻重、最后拍板，仍然是人。这道要人脑搭桥的沟，恰恰是 AI 时代数据服务往前走的起点。

进了 AI 时代，这两条路开始并到一起，多模态数据最终要服务于智能。大模型冒出智能、又能泛化，AI 便从专用走向通用；自然语言理解让业务人员不写 SQL 也能取数用数；上下文学习和思维链把 AI 的推理摆到明面上；多模态统一表征则头一回让文本、图像、音视频用同一种方式被理解。

智能体能调工具、能走完行动闭环，模型也就从“会说话”变成“会做事”；自主规划和任务分解把含糊的任务拆成一条条能走的路径；反思与自我修正让输出不再是一锤子买卖，而是越改越好——数据平权、知识激活、认知迁移这几道坎，看上去找到突破口了。

不过，AI 能力再强，落到企业应用实践中也普遍遇到这些痛点。一是接不进来——知识散落异构，未被统一接入，AI 没有企业上下文可依，只能泛化回答。

比如，产品经理问 "定价策略是什么"，真实定价规则散落在旧文档和会议纪要里，从未进入 AI 可调用的范围。

二是读不明白——知识即便接入，字段口径、术语与文档间上下文未被语义化，模型读得懂字面、读不懂业务。比如，运营问 "本周 GMV为什么下滑"，模型不懂公司统计口径、指标关联与活动档期，归因抓不住关键。

三是检索不准——知识已接入但召回不准，智能体翻遍知识库也搜不到该用的信息。

比方说，销售想查“去年华南区客户续约情况”，智能体既找不到华南区这个字段，也搞不清华南区覆盖哪些城市。

不敢信任——没治理过的知识会污染上下文，幻觉和过期信息掺在里面，不容易发现，业务不敢直接拿来用。

再比如，法务让AI审合同，模型引用了已经失效的法规，还给出看似严谨的结论，错误很难察觉，等发现时决策已经受影响。

人与AI之间的信息差、经验差、质量差，大概正是AI结果达不到预期的原因。AI时代的数据服务，最终要服务于AI：充足的企业上下文补信息差，让AI有数可用；统一的企业语义补经验差，让AI更懂业务；知识的治理与保鲜补质量差，让AI敢信敢用。

企业知识能力的演进，并非新技术取代旧技术，而是在数据基础上不断拓宽理解与应用的边界：从结构化数据的治理分析，到非结构化内容的搜索发现；从RAG把知识引入大模型回答，到LLM Wiki持续整理关联知识，再到面向AI的企业上下文——把数据、文档、语义、规则、权限与实时状态组织起来，让模型和智能体在业务中理解、判断并行动。数据质量、语义口径、权限边界、来源与时效，始终决定AI能否可靠地使用这些知识。

让AI智能体更可用、更可信、更懂业务——这是知识引擎VeKnow的核心使命。

知识引擎VeKnow不是数据库、知识管理系统、数据中台之后又一套相似的工具，它带来的是服务范式的转变：过去，数据服务把数据加工好交给“人”去判断；现在，它把知识加工好交给“智能体”去判断。

模型决定AI的下限，企业上下文决定AI在企业应用中的上限。知识引擎VeKnow承接结构化数据治理的成熟成果，补齐非结构化数据理解及AI可消费语义的缺口，把知识生产到消费的全链路串起来，汇聚为面向AI的企业级知识基座。

知识引擎VeKnow的设计理念：企业上下文管理的核心原则。

场景牵引，小步快跑：跟着场景需求走，先看清业务真正要什么，再决定知识怎么建。让知识资产从“够用”走向“好用”，从单场景沉淀走向跨场景复用。

企业数据中台已有的治理成果可以直接接过来，多模态、多来源的数据都能兼容，顺畅融入企业现有的数据环境；往上走，则以标准化、技能化的形式对外供给，让多个企业Agents可以并行调用。

以终为始，策略适配：向量检索做相关性匹配，解决“答案在文档里”的事实型问答（如“年假制度规定几天”）；语义建设解决推理逻辑，适配“答案要靠跨源聚合”的复杂场景（如“哪些供应商合同明年到期且履约评分低于80”、“口径不一的毛利核算”）。场景需求各不相同，单一路径没法解决所有问题。

没经过治理的知识，一旦被塞进上下文，幻觉风险就会被放大，所以治理必须放在前头，运营同样要当作大事来抓。知识在进入AI调用链路之前，权限、审批、溯源和保鲜是绕不过去的硬关卡，只有这样才能从源头上保证输出一直可信。

产品落地：贯穿知识全生命周期的功能集合。

知识工程要解决的，是把散乱的物料整理成知识。接入端可快速配置的数据源超过50种，预置了RestAPI/Auth等多种方式用来对接源端系统；内置算子超过40种，可视化拖拉拽就能低门槛完成复杂的知识处理；非结构化数据智能打标、会话质量评估与情感分析这些场景化能力也都具备，高并发、大批量地完成知识打标落仓不成问题。

知识管理要做的，是让知识变成有价值的资产。个人知识库面向企业员工，本地内容能快速收集，还会自动编译生成Wiki，并直连开箱即用的智能问答；企业知识库面向核心资产管理，靠分类分级、智能标签等能力把知识资产化；面向智能应用消费这一环，为保障消费质量，复杂文本与表格能被深度解析，切片支持多元策略，检索元信息由大模型丰富，检索因此更快更准。

知识编译是为复杂场景提供更强的上下文。它用智能体方式自动完成知识编译与建模，把企业里分散的原始文档、数据和经验加工成大模型能直接消费的结构化知识资产，再以技能化方式交付给各类智能体应用；知识图谱（GraphRAG）、本体建模（Ontology）、LLM Wiki、数据语义等编译路径也都支持，不同场景的需求都能满足。

知识运营涵盖集成管理与安全管控。SSO、租户与用户管理都支持；功能级/文档级权限、入库审批、使用日志与敏感词识别，把安全底线守住；资产统计与检索排行，让运营洞察得以沉淀；OpenAPI、MCP、Skill开放接口与Token鉴权，集成起来不费劲；会话管理、Trace监控与Agent评测，让知识效果可衡量、可迭代；会话Trace回流、自动归档、自动编译，知识因此能自进化更新。

从“人有数可用”到“AI有智可循”，企业数据服务的下一站。

AI迭代速度空前，技术热点一个接一个：提示词工程是大模型应用的第一课，RAG把企业知识接进模型，模型高频迭代牵动业界神经，养虾热潮曾火爆全网，Agent与Harness编排框架让智能体自主执行任务，递归式智能体又把“自我进化”推到聚光灯下。

对企业来说，AI时代的基本功与必修课到底是什么？答案或许不在某个模型或框架里，而在以企业数据为基础的AI认知基座。应用再怎么演进，企业数据始终是应用生长的根本。只有把分散的数据和知识持续治理、关联，转化为可信、可理解、可调用的上下文，AI才能从“有答案”走向“懂业务、能办事”。

从“人有数可用”走到“AI有智可循”，知识引擎VeKnow要做的，正是帮企业把数据与知识的基础夯实，持续构建面向AI的企业上下文，让每一次应用创新背后，都有可信可靠的知识基座撑着。

毕竟AI的每一次判断，终将影响企业的未来。