KDG
Knowledge-based Document Generator
AI真正发挥价值的前提
是知识具备结构化的体系
您尝试了RAG，也优化了提示词。如果AI仍然无法达到预期，问题可能不在AI本身，而在于您提供给AI的知识缺乏结构。
The Problem
已经搭建了RAG
为什么AI依然「不好用」？
将企业内部文档向量化，向AI提问就能得到回答。许多组织尝试了这种方法，却碰到了同样的瓶颈。
「能搜索，但无法用于决策。」
业务越专业，这个落差就越大。设计评审、报价编制、质量审计、故障处理——资深专家在脑中进行的判断，仅靠罗列文档搜索结果是无法再现的。因为专家依赖的不是「信息」，而是「知识」。
信息能找到，但缺乏判断标准
RAG能告诉您「这个文档与您的问题相似」，但无法告诉您一个设计决策是否合理，或一个价格是否有竞争力。相似度与合理性是完全不同的概念。
上下文断裂，本质信息丢失
分块是提高检索效率的技术手段，而非传递知识的结构。「这条规则为什么存在」「在什么例外条件下该规则不适用」——这些信息被遗留在了分块之外。
知识无法成长
RAG只能返回过去的信息，不会随着使用而提升精度，也不会学习组织的决策模式。资深专家花30年积累的判断力，在向量空间中是不存在的。
这些并非AI模型的局限。而是提供给AI的「知识结构」不足所导致的局限。
换用更先进的模型也无法改变这一点。只要持续以扁平文本的形式向AI提供组织知识，AI就会一直返回「接近但不可用」的回答。
The Shift
您需要的不是更智能的AI
而是对「知识结构化」的投资决策
支撑资深专家判断力的，是在多年经验中形成的「知识结构」。不是信息碎片，而是信息之间的关联、背后的判断标准，以及「组织应如何评估」的价值体系——只有当这些要素融为一体，专业级判断才能成立。
这种结构无法通过搜索文档获得，必须有意识地设计、构建和验证。虽然需要投入精力，但一旦知识被结构化，它就成为组织永续的资产。
AI模型正在快速进化。而这种进化不会缩小拥有结构化知识与未拥有结构化知识的组织之间的差距——反而会扩大它。使用同一模型，拥有结构化知识的组织将在分析、推理和决策支持方面获益，而只拥有扁平文本的组织只能得到搜索精度的些许提升。
组织应该投资的不是「如何用好AI模型」，而是「知识的结构化与积累」。KDG正是为帮助这项投资产生实效而提供的框架。
传统方法
每次更换模型，积累的经验就被重置。组织背景每次都需要从零解释。AI能力在提升，但组织知识从未得到积累。
KDG方法
知识以结构化形式持续留存。AI模型作为可替换的「引擎」接入——当模型进化时，基于同一知识基座自动实现更高级的分析。
KDG Platform
支撑知识结构化的KDG设计原则
KDG是为致力于知识结构化的组织设计的平台。它基于四大设计原则，将您的知识从「临时性的提示词技巧」转化为「永续的组织资产」。
忠实于原文的数字化
正确的知识始于正确的读取。日本产业文档中常见的复杂图表和表单，其含义仅存在于视觉结构中，一般的读取方法往往难以准确把握其内容。KDG通过独有的解析技术保持原始文档结构，致力于从知识入口处确保质量。
持久化知识基座
结构化的知识独立于任何AI模型进行持久化。更换模型、更换供应商——组织构建的知识资产都不会丢失。不是消失在提示词中的知识，而是确实留存的资产。
AI模型是可替换的引擎
KDG不依赖任何特定的AI模型或供应商。LLM性能提升、多模态能力扩展、推理能力进化——这些技术发展自然地叠加在知识基座之上。一个无供应商锁定的架构。
越用越完善的判断标准
运营实绩反馈到系统中，知识持续精炼。评审结果、成交/失单数据、故障处理结果——来自实际业务的洞察自动强化知识基座。这是与静态RAG索引的根本性区别。
Core Architecture
四层知识架构
为什么RAG无法进行「判断」？因为它将信息当作扁平的分块来处理。KDG将组织知识分为四个语义层级进行管理。正是这一结构创造了简单搜索与「决策支持」之间的差异。
这四层代表了不依赖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。
Knowledge Typology
两个知识维度——静态知识与动态知识
组织知识包含「不易变化的知识」和「每天都在变化的信息」。由于两者的时间特性不同，管理方式也根本不同。KDG为每种类型提供了专用机制。
静态知识
- 对象
- 标准、规范、资深专家的经验技巧、历史案例等「不易变化」的知识
- 管理方式
- AI自动提取关联关系，人工通过五阶段流程审核与认证。一个受保护、不会被自动更新覆盖的权威知识基座
- 可移植性
- 打包为 .cdp.zip 文件。行业标准知识可分发给多个组织，各组织可用自己的规则进行覆盖和扩展
动态知识
- 对象
- 项目进度、传感器日志、工单等「每天都在变化」的信息
- 管理方式
- KDG Reader从JIRA、GitHub、IoT等外部源持续获取数据，实时更新Formal层
- 分析
- KDG Analyzer持续对比Formal层的现实与Meta层的「理想状态」，检测偏差并生成预测性警告
核心: 认证知识
KDG的静态知识并非直接使用AI生成的结果，而是经过人工审核和批准后才成为「认证知识」。认证后的知识通过指纹（SHA-256）进行保护，难以被篡改。这使得AI分析结果能够明确区分「基于认证知识的回答」和「未认证的推理」。认证知识可以打包为 .cdp.zip 进行分发，方便集团公司间的知识共享。
Service Delivery
两种业务执行模式
如何将构建好的知识基座应用于实际业务？KDG提供两种模式：「AI辅助人类决策」和「AI代替人类执行任务」。两者都是以知识结构化为前提才能实现的服务。
知识系统 / KDG STUDIO
KDG提供知识，人类进行判断和行动
- 通过Chat、Library、Discovery、Graph View访问结构化知识
- 价值： 无需改变业务流程即可提升「决策质量和速度」。组织影响小，最适合分阶段推广
AI运营官 / KDG Workspace
AI利用KDG的知识执行业务，人类负责监督
- 通过输入渠道（邮件、Web、Slack等）接收需求，AI按照业务手册处理并将结果投入现有系统
- 价值： 在人员短缺和资深专家退休成为经营课题的领域，在尽量减少现有系统改动的前提下代行业务
核心原则：文本驱动
AI运营官的判断标准和业务流程全部以人类可读的「业务手册（提示词）」形式描述。业务管理者可以直接阅读、审批和修改。降低了「不知道AI在做什么」的风险，即使AI模型进化，也有助于维持业务透明度。
Application Matrix
KDG解决的四大领域
通过知识的时间特性（静态/动态）与服务模式（知识系统/AI运营官）的组合，KDG的应用领域被整理为四个象限。导入通常从左上角的「静态知识结构化」开始，在建立基础后向其他象限扩展。
知识系统
AI运营官
静态知识
评审支持
静态知识 x 知识系统
基于历史案例和标准提升高级判断质量
设计文档评审、合同与法务审查、制造工艺审核
订单业务代行
静态知识 x AI运营官
将资深专家的隐性知识结构化，实现业务执行自动化
专业贸易商报价编制、金融产品推荐、技术支持一线响应
动态知识
项目分析
动态知识 x 知识系统
与「理想状态」偏差的实时可视化
大规模软件开发分析、制造业BOM横向分析
监控与响应
动态知识 x AI运营官
从异常检测到临时处置和升级的省力化
设备异常监控、IT基础设施故障响应、供应链异常响应
了解KDG STUDIO的主要功能
了解KDG Workspace的服务示例
Comparison
与现有方案的比较
RAG和Graph-RAG作为「信息检索技术」非常出色。但高专业性业务所需要的不是检索，而是「判断」。以下比较展示了其结构性差异。
| 评估维度 | 标准RAG | Graph-RAG | 代码方案 | KDG |
|---|---|---|---|---|
| 知识层次性 | 仅扁平分块检索 | 保留关系但无语义层次 | 单一规则结构 | 四层表达知识成熟度与上下文 |
| 与理想状态的比较 | 仅返回历史信息 | 仅进行关系探索 | 仅基于固定阈值判定 | 在Meta层定义目标并动态检测偏差 |
| 判断标准的成长 | 搜索精度固定不变 | 图谱主要依赖手动更新 | 规则更新需要工程师开发 | 通过运营实绩反馈持续精炼 |
| 业务执行能力 | 止于展示搜索结果 | 止于展示搜索结果 | 仅能自动化固定流程 | Workspace与现有系统集成代行业务 |
| 透明性与可控性 | LLM生成依据不透明 | 判断依据的推理过程不透明 | 复杂化后难以追踪 | 文本驱动，所有判断标准人类可读可控 |
知识结构化是贵组织的事业。
我们将全力为此提供支持。
KDG能够结构化的，只有存在于贵组织中的知识。知识化的主体是您自身，我们是全程陪伴的合作伙伴。从现状课题梳理、知识设计、构建到运营落地，我们提供所需的框架与支持。