知识工程
把散落的知识，炼成 AI 答得准的资产。
很多客户以为把知识库直接接进 AI 就行，结果命中率反而更低、答得更乱。问题不在 AI，在知识没被整理过。这件事叫知识工程——句子懂行用下面四步，把散乱的知识炼成 AI 真正用得上的资产。
01 · 清洗去重
清洗去重
原始资料里，重复的、过期的、互相打架的内容很多。先清一遍，去掉冗余和矛盾，只留下可用的知识。
02 · 结构化切分
结构化切分
整篇长文档直接拿去检索，AI 查不准。按语义切成一块块，每块带好上下文和标签，检索才命中得准。
03 · 问法对齐
问法对齐
同一个问题，客户有十种问法。把同义、近义、口语化的说法对齐到一起，命中率才稳定。
04 · 持续回流
持续回流
上线后没答好的问题，回流进知识库再修正。用得越多、知识越准，不是整理一次就不管了。
知识资产
把散落的知识，炼成能查的资产。
知识工程不止于把文档存进数据库。客户的经验、文档、历史对话中散落的知识，需整理成 AI 可查准、可调用的资产。
多来源一起进，炼成可检索、可追溯的知识块
- 文档、表格、历史对话、SOP——多来源一起进
- 炼成带标签、可检索、可追溯来源的知识块
- 每条回答可追溯出处，而非模型生成
- 上线后持续回流，知识越用越准
通常先用句子懂行把散乱的知识炼成可检索的资产，再引入其余产品与 FDE 团队。顺序颠倒，则无法跑通。
原始资料 → 知识资产
原始资料
散、乱、重复、过期
知识资产
干净、可检索、带出处
先把这层做对，AI 才查得准。知识工程是 Agent 上岗的前提，不是上线后再补的活。
现场检索
别听我们说"带出处"，现场看它摊给你看。
问一句，看它怎么从知识库里把命中的原文片段摊开——每条带标题、来源、相似度。回答不是凭空生成，是基于看得见的出处拼出来的，可核验。
句子懂行 · 知识检索
示例知识库 · 演示
点上面任意一个问题，看它从知识库里摊出带出处的原文片段。
先把你的知识工程做对，
再上 AI 员工。
从一个 AI 角色起步，逐步扩展到多个 Agent。90 天内，第一个 AI 员工即在客户的 IM 中上岗。
第一步
知识工程是 Agent 上岗的前提
可追溯
每条回答可追溯出处，而非模型生成
90 天
第一个 AI 员工即在客户的 IM 中上岗