KDG 技术论文
什么是四层知识架构
本文详解KDG核心的四层知识架构技术结构。通过与一般AI方法的比较，说明不将领域知识黑箱化、而是以人类可读文本明示管理的「文本驱动原则」，以及支撑其实现的四个知识层（Original / Formal / Insight / Meta）所承担的角色。
3.4层的详细实现
本章说明4个层各自承担的角色以及Markdown的典型记述格式。各层均作为文本在KDG STUDIO的KBMS（Knowledge Base Management System）上进行管理和编辑。
3-1Original层 — 原文保持
Original层原样存储组织拥有的原典数据。规程、手册、日报、过往案例、规格书、会议纪要——任何业务文书都是对象。重要的是，这些数据作为「参照数据」保持，而非作为「训练数据」用于机器学习。
Original层承担的角色是始终以可参照的形式保持作为判定最终依据的「原典」。无论后续层添加何种解释或结构化，返回Original层即可访问一手信息。这种原典保持机制在需要事后验证AI得出结论的审计业务，以及要求决策透明性的业务中发挥着尤其重要的作用。
3-2Formal层 — 结构化数据
Formal层存储从Original层的原文中提取的「结构化判定规则」。仅阅读原文无法进行判定，Formal层将其整理为规则、步骤、模式等明示形式。典型构成是「应有状态」「有效示例」「无效示例」的三部结构。
### 应有状态 （期待的状态或判定标准的描述） ### 有效示例 - （正确输入或条件的示例） - （正确输入或条件的示例） ### 无效示例 - （错误输入的示例）→ （NG理由模板） - （错误输入的示例）→ （NG理由模板）
这种格式的优点在于判定逻辑与说明理由共存于同一文本中。由于「无效示例」直接作为NG理由模板，判定与说明在结构上一致。这使得AI仅通过阅读Formal层文本即可无矛盾地生成判定结果和理由。规则变更只需修改文本即可即时反映。
3-3Insight层 — 知见导出
Insight层存储从多个检查项目和数据间的关系中提取的「项目横断性知见」。这是保持超越个别判定规则的更大模式和最佳实践的层。例如，「特定条件的组合典型地成为风险要因」「过去类似案件中共通的成功模式」等横断性知见。
## 规则：[条件] 时，[动作] ### 根据 [基于过去实绩数据或专业知识的支持] ### 条件 [明示适用条件] ### 对象项目 - [此规则影响的项目列表]
Insight层的规则具有补充Formal层个别规则的作用。通过明示化从个别项目无法看到的关系性，将组织的经验法则以可再现的形式资产化。在学习型方法中会作为「隐式模式」埋没的这些知见，在Insight层以人类可读、可编辑的形式整备。
3-4Meta层 — 价值判断·方针
Meta层存储组织作为整体的审查方针、优先顺序、批准权限、例外规则等。它是4层中优先度最高的层，可以覆盖其他任何层的判定。将「组织应如何判断」这一整体决策框架作为文本进行管理。
### 必须要件 （不满足时原则上NG） - 要件1 - 要件2 ### 例外规则 （条件性批准的模式） - 模式1: [条件] → [批准条件] - 模式2: [条件] → [批准条件] ### 批准权限 | 风险级别 | 批准者 | |---|---| | 低 | [角色] | | 中 | [角色] | | 高 | [角色] |
Meta层存在的意义在于，组织方针变更时该变更可即时反映到所有判定。在LoRA等学习型方法中每次方针变更都需要重新学习，但KDG只需修改Meta层的文本即可。组织决策发生变动的瞬间，AI的行动也随之跟进 — 这就是Meta层的作用。
3-54层的联动
4层并非独立运作，在判定时按以下顺序联动。
- 1Meta层（最优先）：检查组织方针是否有覆盖
- 2Insight层：判定是否符合项目横断性模式
- 3Formal层：与个别项目的规则匹配
- 4Original层：根据需要参照原典
通过这一层次结构，信息的抽象度从「个别规则 → 横断性知见 → 组织方针」阶段性地提升，最终判定与组织的决策框架一致。由于4层都作为人类可读文本管理，反向追溯判定结果的依据也很容易。
4.制约与结论
4-1KDG的制约与权衡
四层知识架构并非万能。采用时需要理解以下制约。
知识构建成本
构建四层知识需要具备业务领域专业知识的人员。AI辅助这一知识提取过程，但判定标准的最终批准由人工进行。然而，如果要将AI的推理能力用于业务判定，明示性地整备作为推理依据的知识是本质上不可避免的成本——而KDG旨在从结构上支撑这一成本所带来的价值：准确性、可再现性和可解释性。
适用领域
KDG优化用于需要「基于明示规则判定」的业务。对于判定标准简单的定型FAQ应答，KDG属于过度设计，传统RAG即可充分应对。另一方面，对于正确答案难以定义的复杂课题，充分的知识化是前提条件，因此需要缩窄领域范围，分阶段进行评估和应用。
成长曲线
Original层和Formal层双方的充实程度决定了KDG的判定精度。在积累初期，建议将对象集中在有限的回答模式上，首先在能够确实判定的范围内开始运用。随着运用积累，Original层的实绩数据和Formal层的判定规则都得到充实后，再逐步扩大适用范围——这种分阶段方法是KDG导入最务实的推进方式。
4-2结论
本文详解了KDG核心的四层知识架构的技术结构。四层知识架构的本质在于「文本驱动原则」。组织的领域知识不是作为模型权重或向量空间，而是作为人类可读、可编辑的Markdown文本明示管理。由此，将AI的执行从「推理基础」转换为「规则匹配基础」，力求兼顾确定性判定结果与可解释性。
- ▸Original层始终以可参照的形式保持组织的原典数据
- ▸Formal层以「应有状态」「有效示例」「无效示例」的三部结构明示各判定项目的规则
- ▸Insight层作为自动判定规则提取项目横断性知见
- ▸Meta层作为最优先规则管理组织作为整体的决策框架
重要的是，这一四层结构是不依赖AI模型的知识管理原理。更换AI模型不会丢失已积累的知识，切换到更优秀的模型时，基于同一知识基座将自动产出更高级的Insight。 KDG的方法将知识定位为「确定性执行的基础」而非「推测的材料」——这是一种将组织知识交还到组织手中的设计。当客户的业务知识以客户可见的形式存在时，这一简单的原则就能将AI转变为值得信赖的业务工具。