12 月 20 日，在華爾街見聞和中歐國際工商學院聯合主辦的「Alpha 峯會」上，金山辦公助理總裁、資深技術專家朱熠鍔發表題為《WPS AI:邁向更高質量的知識增強生成》的演講。
<img class=" wscnph" src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/d775dd7f-f316-4ef3-b8a0-acaa029c2f0d.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1024" height="683" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/d775dd7f-f316-4ef3-b8a0-acaa029c2f0d.png"/>
他表示，當前 AI 應用的核心挑戰已經從模型能力的競爭，轉向如何高效利用企業私域數據。模型能力的趨同，意味着其本身難以形成壟斷優勢。
他強調，真正決定 AI 應用價值的關鍵，在於將企業內大量複雜、非結構化的文檔數據，轉化為高質量、可被模型理解的知識資產。傳統 RAG 面臨 “文檔不等於知識” 以及 “語義相似不等於邏輯相關” 的根本侷限，因此必須推動技術範式從 “以模型為中心” 升級為 “以數據/知識為中心”。
他強調，未來的路徑是發展 “KAG（Knowledge Augmented Generation，知識增強生成）”。這要求企業像管理數據一樣，系統性地對知識進行治理、建模與應用。具體而言，需要通過 VLM、知識圖譜等技術，融合多模態、多結構化的知識，並構建 “數據湖” 與 “知識湖” 雙湖並重的架構。最終目標是讓 AI 真正 “掌握” 而非僅僅 “看到” 企業知識，從而在專業領域問答、智能寫作與合規創作等場景中發揮可靠價值，完成從數字化到智能化的關鍵跨越。
以下為演講精彩觀點：
<blockquote>
企業 AI 應用正從 “以模型為中心” 轉向 “以數據為中心”。數據質量成為決定 AI 應用效果的關鍵。WPS AI 以知識增強生成（Knowledge-Augmented Generation）為目標，幫助大模型真正 “掌握” 企業的知識資產。
要像管理數據一樣管理知識。將數據與知識轉化為 AI 可用的資產，是企業從數字化邁向智能化的基石。DATA 2.0 時代，企業要像管理數據一樣管理知識，WPS 365 通過知識建模、知識治理與多模態融合，為企業構建專屬的 “企業大腦”。
高質量的輸出，必須始於高質量的輸入。如果輸入的是混亂、衝突的原始數據，無論模型多強大，產出的結果都不可靠。因此，知識治理是 AI 在專業領域落地的基石，其重要性將超越算法優化本身。
AI 的專業化應用是一場 “知識工程”，而非簡單的技術集成。從合規報告撰寫到精準信息抽取，其本質都是將專業領域知識系統化、結構化的過程。誰能率先完成自身知識資產的升級，誰就能在 AI 時代建立真正的競爭優勢。
真正的智能不是 “看到” 文檔，而是 “理解” 邏輯。當前主流的 AI 應用（如 RAG）因 “語義相似不等於邏輯相關” 而遭遇瓶頸。真正的突破在於融合知識圖譜、業務規則等多源知識，讓 AI 能進行邏輯推理與精準回答，從而解鎖專業場景的價值。
</blockquote>
以下是華爾街見聞整理的精華內容：
<h2>大模型之後，真正的瓶頸是什麼？</h2>
當前一個關鍵的共識是，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。那麼，核心問題便轉向了：大模型如何在實際應用中發揮真正的價值？
我們的答案是：必須與外部數據，尤其是企業私域數據深度結合。但以 “文檔” 形式存在的數據本身不等於 “知識”，是由於企業海量的文檔（文字、表格、PDF 等）存在格式複雜、組織混亂、內容矛盾等 “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%；一份法規要求存儲六個月數據，另一份則説只保留必要數據。這些衝突不解決，AI 的輸出就不可靠。
更深刻的挑戰在於主流技術範式。當前廣泛應用的 RAG（檢索增強生成）技術，其核心是 “向量相似度檢索”。這帶來了一個根本性侷限：語義相似，不等於邏輯相關。例如，問 “筆記本電腦開不了機怎麼辦”，系統可能召回一篇詳細介紹 “MacBook Pro 14 寸” 規格的文檔（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）。這導致許多 AI 應用 “出 Demo 驚豔，上生產困難”。
<h2>從 RAG 到 KAG，構建 “知識增強生成” 新範式</h2>
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）。這不是簡單的優化，而是一次範式轉移。其核心觀點有兩個：
一是高質量輸入才有高質量輸出。知識必須先經過治理，解決衝突、補齊缺失、建立結構。
二是必須系統性融合多模態、多結構的知識資產。不能只檢索文檔，還要融合企業已有的知識圖譜、結構化標籤、流程 SOP 等，為 AI 生成提供高質量輸入。
基於此，我們設計了一個雙層架構。底層是 “知識治理層”，負責文檔解析、知識抽取、圖譜構建與質量監控；上層是 “知識應用層”，它多源融合檢索引擎、動態排序模塊、上下文工程體系為核心組件，構建能夠賦能各類專業場景的知識基座。
<h2>在四個關鍵場景中落地 KAG</h2>
基於 KAG 架構，我們研發了智能文檔庫產品，並聚焦於四個核心場景：
第一，知識治理。 我們通過自動化的知識抽取與圖譜構建，幫助客户發現文檔庫中的重複內容、邏輯衝突和知識缺失。例如，系統可以自動標出關於年假折算比例的兩個衝突版本，或指出一個 “IT 支持” 知識庫還缺少 “打印機驅動安裝” 的關鍵章節，輔助管理員進行決策和優化。
第二，專業智能問答。在融合了私域文檔圖譜與行業法規、SOP 等結構化知識後，我們的問答系統能處理複雜的專業查詢。例如，用户可以問：“在浙江省，生產某種特定粒徑的原料藥，是否可以使用 X 成分？請僅依據 2025 年的規定。” 系統能精準解析地點、成分、年份等多個約束條件，並給出精確答案。
第三，複雜文檔的智能抽取。我們針對醫療報告、合同、發票中常見的複雜表格、複選框、手寫體等進行了專項優化。一家醫藥客户利用此功能，將藥物不良反應報告的郵件附件自動解析、抽取關鍵字段，並回填至客户的藥物管理系統，將原本人工處理需數小時的工作縮短到幾分鐘。
第四，專業領域的智能寫作。這不同於寫請假條，而是撰寫有嚴格格式與數據引用精準要求的行業報告（如臨牀研究報告 CSR）。我們通過兩個智能體（Agent）協同工作：一個負責根據範例和法規生成包含大綱、數據需求的 “智能模板”；另一個則依據模板，從海量實驗數據中精準定位、無損引用所需的數據和表格，最終生成格式合規、數據準確的專業報告，將撰寫週期從數週大幅縮短。
<h2>像管理數據一樣管理知識</h2>
最後，我想做一個總結。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 “真正掌握企業知識資產” 的升級。
我們認為，在智能化時代，企業需要構建 “數據湖” 與 “知識湖” 雙湖並重 的新架構。未來，企業不僅要積累原始數據，更要像過去管理數據一樣，系統地進行知識運營、知識建模和知識治理。這，將是企業從數字化邁向智能化的關鍵基石，也是 AI 在專業領域發揮真正提效作用的必經之路。

金山辦公

朱熠鍔指出，當前 AI 應用的核心瓶頸已非模型本身，而是如何將企業內海量、非結構化的私域數據轉化為高質量、可被 AI 理解的知識。傳統 RAG 因 “文檔≠知識” 及 “語義相似≠邏輯相關” 而受限。為此，需將 AI 應用從 “以模型為中心” 轉向 “以數據/知識為中心”，發展 “知識增強生成”（KAG），以數據湖與知識湖雙湖為驅動，治理、建模、運用知識資產，讓 AI 真正 “掌握” 而非僅 “看到” 企業知識，從而在專業問答、智能寫作等場景中實現可靠提效。

金山辦公朱熠鍔：從 “看到” 到 “掌握”：AI 應用進入 “知識增強生成” 時代｜Alpha 峯會