12月20日，在華爾街見聞和中歐國際工商學院聯(lián)合主辦的「Alpha峰會」上，金山辦公助理總裁、資深技術(shù)專家朱熠鍔發(fā)表題為《WPS AI:邁向更高質(zhì)量的知識增強生成》的演講。

他表示，當前AI應(yīng)用的核心挑戰(zhàn)已經(jīng)從模型能力的競爭，轉(zhuǎn)向如何高效利用企業(yè)私域數(shù)據(jù)。模型能力的趨同，意味著其本身難以形成壟斷優(yōu)勢。

他強調(diào)，真正決定AI應(yīng)用價值的關(guān)鍵，在于將企業(yè)內(nèi)大量復(fù)雜、非結(jié)構(gòu)化的文檔數(shù)據(jù)，轉(zhuǎn)化為高質(zhì)量、可被模型理解的知識資產(chǎn)。傳統(tǒng)RAG面臨“文檔不等于知識”以及“語義相似不等于邏輯相關(guān)”的根本局限，因此必須推動技術(shù)范式從“以模型為中心”升級為“以數(shù)據(jù)/知識為中心”。

他強調(diào)，未來的路徑是發(fā)展“KAG（Knowledge Augmented Generation，知識增強生成）”。這要求企業(yè)像管理數(shù)據(jù)一樣，系統(tǒng)性地對知識進行治理、建模與應(yīng)用。具體而言，需要通過VLM、知識圖譜等技術(shù)，融合多模態(tài)、多結(jié)構(gòu)化的知識，并構(gòu)建“數(shù)據(jù)湖”與“知識湖”雙湖并重的架構(gòu)。最終目標是讓AI真正“掌握”而非僅僅“看到”企業(yè)知識，從而在專業(yè)領(lǐng)域問答、智能寫作與合規(guī)創(chuàng)作等場景中發(fā)揮可靠價值，完成從數(shù)字化到智能化的關(guān)鍵跨越。

以下為演講精彩觀點：

企業(yè)AI應(yīng)用正從“以模型為中心”轉(zhuǎn)向“以數(shù)據(jù)為中心”。數(shù)據(jù)質(zhì)量成為決定AI應(yīng)用效果的關(guān)鍵。WPS AI以知識增強生成（Knowledge-Augmented Generation）為目標，幫助大模型真正“掌握”企業(yè)的知識資產(chǎn)。
要像管理數(shù)據(jù)一樣管理知識。將數(shù)據(jù)與知識轉(zhuǎn)化為AI可用的資產(chǎn)，是企業(yè)從數(shù)字化邁向智能化的基石。DATA 2.0時代，企業(yè)要像管理數(shù)據(jù)一樣管理知識，WPS 365通過知識建模、知識治理與多模態(tài)融合，為企業(yè)構(gòu)建專屬的“企業(yè)大腦”。
高質(zhì)量的輸出，必須始于高質(zhì)量的輸入。如果輸入的是混亂、沖突的原始數(shù)據(jù)，無論模型多強大，產(chǎn)出的結(jié)果都不可靠。因此，知識治理是AI在專業(yè)領(lǐng)域落地的基石，其重要性將超越算法優(yōu)化本身。
AI的專業(yè)化應(yīng)用是一場“知識工程”，而非簡單的技術(shù)集成。從合規(guī)報告撰寫到精準信息抽取，其本質(zhì)都是將專業(yè)領(lǐng)域知識系統(tǒng)化、結(jié)構(gòu)化的過程。誰能率先完成自身知識資產(chǎn)的升級，誰就能在AI時代建立真正的競爭優(yōu)勢。
真正的智能不是“看到”文檔，而是“理解”邏輯。當前主流的AI應(yīng)用（如RAG）因“語義相似不等于邏輯相關(guān)”而遭遇瓶頸。真正的突破在于融合知識圖譜、業(yè)務(wù)規(guī)則等多源知識，讓AI能進行邏輯推理與精準回答，從而解鎖專業(yè)場景的價值。

以下是華爾街見聞?wù)淼木A內(nèi)容：

大模型之后，真正的瓶頸是什么？

當前一個關(guān)鍵的共識是，前沿大模型的綜合智能在知識儲備與邏輯理解上已超越普通員工，且模型能力趨同，難以壟斷。那么，核心問題便轉(zhuǎn)向了：大模型如何在實際應(yīng)用中發(fā)揮真正的價值？

我們的答案是：必須與外部數(shù)據(jù)，尤其是企業(yè)私域數(shù)據(jù)深度結(jié)合。但以“文檔”形式存在的數(shù)據(jù)本身不等于“知識”，是由于企業(yè)海量的文檔（文字、表格、PDF等）存在格式復(fù)雜、組織混亂、內(nèi)容矛盾等“先天不足”。一份文檔中，未休年假折算比例可能是200%，另一份卻是300%；一份法規(guī)要求存儲六個月數(shù)據(jù)，另一份則說只保留必要數(shù)據(jù)。這些沖突不解決，AI的輸出就不可靠。

更深刻的挑戰(zhàn)在于主流技術(shù)范式。當前廣泛應(yīng)用的RAG（檢索增強生成）技術(shù)，其核心是“向量相似度檢索”。這帶來了一個根本性局限：語義相似，不等于邏輯相關(guān)。例如，問“筆記本電腦開不了機怎么辦”，系統(tǒng)可能召回一篇詳細介紹“MacBook Pro 14寸”規(guī)格的文檔（語義相似），卻錯過了真正解決問題但未提及“筆記本”三個字的故障排查指南（邏輯相關(guān)）。這導(dǎo)致許多AI應(yīng)用“出Demo驚艷，上生產(chǎn)困難”。

從RAG到KAG，構(gòu)建“知識增強生成”新范式

為了突破這些瓶頸，我們提出必須從RAG演進到KAG（Knowledge Augmented Generation，知識增強生成）。這不是簡單的優(yōu)化，而是一次范式轉(zhuǎn)移。其核心觀點有兩個：

一是高質(zhì)量輸入才有高質(zhì)量輸出。知識必須先經(jīng)過治理，解決沖突、補齊缺失、建立結(jié)構(gòu)。

二是必須系統(tǒng)性融合多模態(tài)、多結(jié)構(gòu)的知識資產(chǎn)。不能只檢索文檔，還要融合企業(yè)已有的知識圖譜、結(jié)構(gòu)化標簽、流程SOP等，為AI生成提供高質(zhì)量輸入。

基于此，我們設(shè)計了一個雙層架構(gòu)。底層是“知識治理層”，負責文檔解析、知識抽取、圖譜構(gòu)建與質(zhì)量監(jiān)控；上層是“知識應(yīng)用層”，它多源融合檢索引擎、動態(tài)排序模塊、上下文工程體系為核心組件，構(gòu)建能夠賦能各類專業(yè)場景的知識基座。

在四個關(guān)鍵場景中落地KAG

基于KAG架構(gòu)，我們研發(fā)了智能文檔庫產(chǎn)品，并聚焦于四個核心場景：

第一，知識治理。 我們通過自動化的知識抽取與圖譜構(gòu)建，幫助客戶發(fā)現(xiàn)文檔庫中的重復(fù)內(nèi)容、邏輯沖突和知識缺失。例如，系統(tǒng)可以自動標出關(guān)于年假折算比例的兩個沖突版本，或指出一個“IT支持”知識庫還缺少“打印機驅(qū)動安裝”的關(guān)鍵章節(jié)，輔助管理員進行決策和優(yōu)化。

第二，專業(yè)智能問答。在融合了私域文檔圖譜與行業(yè)法規(guī)、SOP等結(jié)構(gòu)化知識后，我們的問答系統(tǒng)能處理復(fù)雜的專業(yè)查詢。例如，用戶可以問：“在浙江省，生產(chǎn)某種特定粒徑的原料藥，是否可以使用X成分？請僅依據(jù)2025年的規(guī)定?！毕到y(tǒng)能精準解析地點、成分、年份等多個約束條件，并給出精確答案。

第三，復(fù)雜文檔的智能抽取。我們針對醫(yī)療報告、合同、發(fā)票中常見的復(fù)雜表格、復(fù)選框、手寫體等進行了專項優(yōu)化。一家醫(yī)藥客戶利用此功能，將藥物不良反應(yīng)報告的郵件附件自動解析、抽取關(guān)鍵字段，并回填至客戶的藥物管理系統(tǒng)，將原本人工處理需數(shù)小時的工作縮短到幾分鐘。

第四，專業(yè)領(lǐng)域的智能寫作。這不同于寫請假條，而是撰寫有嚴格格式與數(shù)據(jù)引用精準要求的行業(yè)報告（如臨床研究報告CSR）。我們通過兩個智能體（Agent）協(xié)同工作：一個負責根據(jù)范例和法規(guī)生成包含大綱、數(shù)據(jù)需求的“智能模板”；另一個則依據(jù)模板，從海量實驗數(shù)據(jù)中精準定位、無損引用所需的數(shù)據(jù)和表格，最終生成格式合規(guī)、數(shù)據(jù)準確的專業(yè)報告，將撰寫周期從數(shù)周大幅縮短。

像管理數(shù)據(jù)一樣管理知識

最后，我想做一個總結(jié)。從RAG到Graph RAG再到KAG，是一個從“讓大模型看到文檔”，到“理解文檔間邏輯”，再到“真正掌握企業(yè)知識資產(chǎn)”的升級。

我們認為，在智能化時代，企業(yè)需要構(gòu)建 “數(shù)據(jù)湖”與“知識湖”雙湖并重 的新架構(gòu)。未來，企業(yè)不僅要積累原始數(shù)據(jù)，更要像過去管理數(shù)據(jù)一樣，系統(tǒng)地進行知識運營、知識建模和知識治理。這，將是企業(yè)從數(shù)字化邁向智能化的關(guān)鍵基石，也是AI在專業(yè)領(lǐng)域發(fā)揮真正提效作用的必經(jīng)之路。