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。
1.什么是四层知识架构
1-1KDG的设计思想
KDG是供组织利用AI活用领域知识的框架。其核心是「将知识作为确定执行的基础，而非推测的材料」这一思想。 业务判定、专业咨询、技术分析 — 组织的AI活用大多以将属人化的专业知识体系化，转化为任何人都能以一致品质执行的形式为目的。其实现需要明示管理「知识在哪里、以何种形式存在」。
1-2文本驱动原则
KDG最重要的设计原则是「文本驱动原则（Text-Driven Principle）」。组织的领域知识应当作为人类可读、可编辑的Markdown格式文本明示地管理，不应封闭在模型权重或向量空间等「人类无法直接阅读的形态」中。 该原则的背景是在业务中使用AI时不可回避的3个要求。
可视性
知识内容应可被组织中任何人验证和审计。
可编辑性
知识的更新应仅通过组织的判断即可即时反映。
可解释性
AI得出结论的依据应可向申请者、使用者、审计者明示。
让领域知识以客户可见的形式存在——这是KDG的核心思想。通过避免知识的黑箱化，将组织的知识交还到组织手中，可以将AI作为「透明的协作工具」而非「无法理解的判定器」融入业务。
1-3四层知识架构的构成
KDG通过4个知识层实现文本驱动原则。各层分别负责组织领域知识的不同方面。这4层均作为人类可读的Markdown文本进行管理。
- ▸
Original层（原文保持）
原样保持组织拥有的原始数据（规程、手册、日报、过往案例等）的层。始终作为上下文的源泉发挥作用。
- ▸
Formal层（结构化数据）
将原文整理为判定规则、步骤、模式等结构化形式的层。提供AI在执行时直接参照的基准。
- ▸
Insight层（知见导出）
将多个项目和数据间的关系性或模式作为自动判定规则抽取的层。将经验法则转化为组织资产。
- ▸
Meta层（价值判断·方针）
定义组织作为整体的判断标准、优先度、方针的层。是可以覆盖其他所有层判定的最优先层。
1-4适用范围的灵活性
四层知识架构并非特定业务领域固有的设计。它具有可应用于任何需要知识表现的业务的灵活性。KDG产品群展开了对以下广泛业务的应用。
- ▸制造业的BOM横断分析
- ▸大规模软件开发的知识管理
- ▸高专业性估算业务
- ▸智能监控
- ▸客户服务
- ▸BPO业务分析
这些业务都是通过明示管理组织领域知识才能提供价值的业务。四层知识架构不依赖于业务的种类，对知识结构化这一共同课题提供一致的解决方案。
2.与一般AI方法的比较
用AI处理组织知识的主要方法大致可分为5类。本章简洁整理各自的特征，并说明四层知识架构相对于这些方法处于何种位置。
机器学习（领域特化模型）
从过去的数据训练分类模型，对输入输出判定结果的方法。由于知识被嵌入模型的权重参数，人类难以验证是基于什么进行判定的。此外，每次判定标准变更都需要重新训练。
ML + LLM流水线
判定由ML模型、说明理由由LLM分担的两阶段构成。LLM在不知道判定依据的情况下编写「看似合理的理由」，导致判定逻辑与说明逻辑分离。
RAG + LLM
将文档分割为分块进行向量化，将相似检索结果交给LLM进行推理。由于检索对象的知识存在于向量空间，LLM每次都进行推理，判定的可再现性存在局限。
Graph-RAG
以图结构管理知识，保持实体间的关系。比RAG能够进行更结构化的检索，但「判断标准本身」难以作为边表达，最终判定仍需要LLM进行推理。
LoRA / 微调
对LLM追加学习业务固有的知识。由于已学习知识埋没在模型权重中，人类无法审计学到了什么，每次方针变更都需要重新学习。
2-2共同课题：知识的黑箱化
这5种方法尽管技术手法不同，却有共同的结构性特征。那就是知识以某种形式被封闭在「人类无法直接阅读的形态」中。模型的权重、向量空间、图结构的推理结果——无论哪种情况，组织中的人类都无法验证或编辑知识本身。
| 方法 | 知识形态 | 判定依据 | 人类可编辑 |
|---|---|---|---|
| 机器学习 | 模型权重 | 概率分数 | × |
| ML + LLM | 模型 + 通用知识 | 事后作文 | × |
| RAG + LLM | 向量空间 | 相似度 + 推理 | × |
| Graph-RAG | 图 + 推理 | 关系性 + 推理 | △ |
| LoRA / FT | 模型权重 | 已学习推理 | × |
| KDG | Markdown 文本 | 明示规则匹配 | ○ |
表2-1：各方法的知识形态与可编辑性比较
2-3四层知识架构的定位
四层知识架构是一种不将知识封闭在向量或模型权重中，而是作为人类可读的Markdown文本明示管理的设计。将LLM出色的文本理解能力用于「明示规则的阅读与应用」而非「规则的推理」，在发挥LLM优势的同时实现确定性执行。 这并非否定LLM能力的设计。相反，这是以LLM能力最有效发挥的形式进行活用的设计。只有当知识以人类可见的形式存在时，组织才能将AI作为「值得信赖的工具」融入业务。