如何用企业私域知识喂出超级龙虾? 360 亿方智能给出新思路
龙虾可以像员工一样工作, 它会自己调用工具, 规划任务, 寻找文件, 甚至能在不断试错中完成交付. 在当前这一波养龙虾热潮下, 企业面临新的挑战: 如何让龙虾真正进入业务流程? 如何控制快速膨胀的 Token 成本? 在此背景下, 爱分析与 360 亿方智能 CEO彭际华进行了一场深度对话. 作为长期聚焦企业知识与 AI 工程化落地的厂商, 360 亿方智能正在围绕AgentFS, 企业记忆, Skill, Knowledge Hub 等方向展开实践. 其核心Products理念是: 让知识成为生产力.
本次对话重点讨论了记忆的价值, Skill 如何在企业落地, 多 Agent 协同如何进入真实业务流程等问题. - 大模型决定 Agent 的能力上限, 知识上下文决定 Agent 的能力下限.
模型解决 "能不能做" 的问题, 企业 Context 解决 "能不能稳定做好" 的问题. 没有业务上下文, Agent 再聪明, 也只是一不懂企业的新员工.
业务规则, 流程标准, 审批习惯, 交付要求, 专判断, 历史经验, 这些才决定 Agent 能不能进入真实工作流. - 未来的知识库不是文件仓库, 而是面向 Agent 的组织记忆系统.
知识不再只是文档, 还包括会议记录, 任务过程, 专判断, 业务规则, Agent 执行轨迹和可复用 Skill. - Skill 是隐性知识Products化的最小单位.
未来写 Skill 的技术门槛会下降, 真正稀缺的是能把业务经验结构化的人. 专知道 "怎么做" , 企业要把这种经验变成 Agent 可执行, 可复用, 可评估的规则和流程. - Agent 是脚手架, 知识和 Skill 才是资产.
模型越强, 越会淘汰薄 Agent; 但模型越强, 也越会放大私域知识, 业务规则和工程化治理的价值.
企业 AI 的终局, 不是每人一聊天机器人, 而是每组织拥有一批懂业务, 能协作, 可治理的硅基员工. 人和硅基员工协作的核心工作是把业务知识显性化. 知识管理要嵌入业务过程, 为硅基员工提供工作上下文, 并确保知识持续萃取, 验证和进化. 以下为本次访谈实录, 在不改变原意基础上略有修改.
01
彭际华: OpenClaw 不是一新的聊天工具, 而是大模型规划能力外溢后的新形态. 过去的大模型主要回答问题. 现在, 它开始能拆解任务, 调用工具, 操作文件, 检查结果, 反复修正, 逐渐从 "问答系统" 变成 "执行系统" . 第一阶段是 Prompt 阶段. 这阶段主要靠提示词, 人把任务拆好, 把边界讲清楚, 再让模型执行. 第二阶段是 Context 阶段. 模型开始能基于长上下文连续完成任务, AI 编程, 报告撰写, 资料分析都是典型场景. 第三阶段是 Harness 阶段. Agent 不只是执行, 还要能评估结果, 修正路径, 沉淀经验. 它需要任务环境, 工具调用, 状态管理, 结果验证, 安全沙箱和权限控制. OpenClaw 代表的就是第三阶段的开始. 它让 Agent 从 "会说话" 走向 "会干活" . 但在企业里, 会干活还不够. 一新员工再勤奋, 如果不了解公司的业务规则, 交付标准和审批流程, 也很难稳定产出结果. 所以我一直强调: 大模型决定 Agent 的能力上限, 知识上下文决定 Agent 的能力下限. 模型让 Agent 具备通用能力, 企业 Context 决定它能不能真正上岗. 第一, Agent 从云端走向真实工作环境. 过去很多智能体只停留在云端问答, 现在开始进入浏览器, 桌面, 文件系统, 企业应用和工作空间. 它不再只是知道答案, 而是开始接触现场. 第二, Agent 从流程编排走向自主规划. 过去很多智能体, 本质上还是人先把流程编排好, AI 按节点执行. 龙虾代表的是另一种形态: 人表达目标, Agent 自己拆任务, 找工具, 试路径, 修结果. 第三, 软件的服务对象正在改变. 过去软件主要服务人, 界面, 按钮, 菜单都围绕人的操作设计. 接下来, 软件不仅要让人好用, 也要让 Agent 会用. 所以 CLI, API, Skill, Knowledge. md, Handoff这类面向 Agent 的能力会越来越重要. 它们不是技术细节, 而是 Agent Native 时代的基础设施. 这就是 AI Native 的底层变化: Products不再只是给人一界面, 而是要给 Agent 一套可调用, 可追溯, 可治理的能力. 彭际华: 不能简单说顺畅或不顺畅. 更准确地说, Agent 正在从能力验证走向真实业务流程, 但真正的阻力不是模型能力, 而是企业自己的业务 Context 没有准备好. 很多企业的任务目标其实很明确, 比如写访谈稿, 整理会议纪要, 生成分析报告, 审核合同, 撰写公文. 今天的模型和 Agent 已经具备参与这些工作的能力. 问题在于, 它不知道企业平时怎么工作. 它不知道一合格报告的标准是什么, 不知道哪些信息必须核验, 不知道客户审核习惯, 也不知道哪些内容必须经过人工复审. 人类员工入职后, 可以通过观察, 请教, 开会和试错慢慢理解这些潜规则. 但硅基员工不行. 人和硅基员工协作不能靠潜规则和隐性知识. 企业必须把这些流程, 标准, 经验和边界显性化, 沉淀成 Agent 可理解, 可调用, 可复用的上下文. 比如我们和某头部律所共创 NDA 审查场景时, 一开始大以为重点是模拟律师审查流程. 后来发现, 真正重要的不是流程本身, 而是不同角色背后的判断标准: 有人关注合同主体, 有人关注权责对等, 有人关注风险条款, 有人关注可接受的谈判空间. 把这些经验抽象成规则和 Skill, Agent 才能真正参与工作. 所以企业落地 Agent 的关键, 不是 "接入一 Agent" , 而是把组织如何工作的知识交给 Agent. 企业 AI 不是缺 Agent, 而是缺把业务规则, 交付标准和专经验显性化的能力. 很多企业今天讨论智能体, 还是站在人使用系统的惯性里思考: 人怎么做, Agent 就怎么做. 但人和 Agent 的工作方式差异很大. 专业人士做事追求一次成功, 因为人的时间很贵, 返工成本高. 但 Agent 可以试错, 可以并行, 可以在后台反复尝试. 企业真正要定义清楚的, 不是 Agent 中间每一步必须怎么走, 而是最终结果要达到什么标准, 哪些风险必须规避, 哪些环节必须留痕, 哪些节点必须人工确认. 过去流程围绕 "人如何一步步完成任务" ; 未来流程会更多围绕 "任务如何被定义, 执行, 交接, 复核和沉淀" . Agent 不是把人的流程照搬一遍, 而是倒逼企业从 "人执行流程" -向 "任务被定义, 交接, 复核和沉淀" . 企业要管的不是 Agent 中间失败了几次, 而是它最终是否交付了合格结果, 过程是否可追溯, 风险是否可控制, 经验是否能沉淀. 爱分析: 因此, 交付结果比较明确的场景更适合落地? 比如合同审查, 政务简报, 会议纪要, 资料整理, 行业情报, 报告生成, 这些都比较适合. 因为它们不是简单问答, 而是要经历资料收集, 信息筛选, 规则判断, 格式生成和人工复核. 龙虾之所以引起关注, 是因为它第一次让大意识到 AI 可以像员工一样接任务. 你给它一目标, 再给它一工作环境, 它开始自己找资料, 操作文件, 调用工具, 完成交付. 但企业不能照搬消费级体验. 消费级Products可以为了完成任务给很高权限, 也可以暂时不关心 Token 成本; 企业不行. 企业真正落地 Agent, 必须补上四件事: 权限边界, 过程审计, 结果验证和成本治理. 企业落地 Agent 的关键不是 "能不能跑" , 而是 "能不能安全, 稳定, 低成本地跑进业务流程" . 否则, Agent 能跑起来, 但很难进入核心业务. 02
爱分析: 龙虾开始出现记忆模块雏形, 记忆和企业知识之间的关系是什么? 彭际华: 不是所有记忆都是知识. 对企业来说, 只有经过筛选, 验证, 授权, 结构化之后, 能被复用的记忆, 才真正成为知识. 短期记忆是原始记录, 比如会议-写, 任务日志, 过程文件. 这些信息量很大, 但噪音也很大. 中期记忆是阶段性产出, 比如整理后的会议纪要, 修改后的稿件, 初步审核报告. 长期记忆是进一步体系化后的知识, 比如行业方法论, 审查规则, 最佳实践, 避坑清单和标准模板. 短期记忆解决 "刚才发生了什么" , 长期知识解决 "下次应该怎么做" . 企业过去有大量信息沉淀, 但很多只是堆在文档, 网盘, 邮件和聊天记录里. 真正的问题不是没有知识, 而是没有把这些信息变成 Agent 能理解, 能调用, 能复用的工作上下文. 记忆不是知识. 能被复用, 授权, 追溯, 持续进化的记忆, 才是企业知识. 彭际华: 不会. 记忆会成为知识的重要入口, 但不会替代知识库. 更准确地说, 记忆, 知识库和业务 Context 会形成一条新链路: AI 在工作过程中不断产生短期记忆; 经过整理, 验证和权限处理后, 沉淀为中长期记忆; 再进一步进入企业知识体系, 最终成为 Agent 可调用的业务上下文. 这条链路很关键. 因为大模型决定 Agent 的能力上限, 知识上下文决定 Agent 的能力下限. 模型再强, 如果不了解企业的业务规则, 组织流程, 交付标准和历史经验, 它在企业里还是很难稳定完成任务. 我们现在做的事情, 就是把 Agent 工作空间里的过程文件, 交付物, 修改记录和任务交接, 持续沉淀成组织知识. 这里面有几关键机制: AgentFS 提供 Agent 的工作空间, Handoff 记录任务交接, Knowledge. md 帮助 Agent 理解空间内容和读取顺序, 知识提炼服务把过程文件和交付物沉淀为可复用知识. 这些机制的目标, 是把 Agent 的 "人工作记忆" -化为 "团队组织知识" . 过去知识整理主要靠专人维护, 未来企业每天使用 AI 的过程, 本身就会不断产生新的知识素材. 关键是企业有没有能力把这些素材萃取出来, 变成可治理, 可复用, 可进化的 Context. 未来知识库不是文档仓库, 而是把工作过程持续编译成组织记忆的系统. 这也是知识管理的新方向: 不是把文档归档, 而是把组织如何工作这件事持续沉淀下来. Agent 一旦进入长链路任务, Token 消耗会非常快. 企业不可能每次都让模型从零开始读材料, 理解背景, 推导规则. 人为什么要记住乘法口诀? 因为记住以后, 就不需要每次重新推导. AI 也是一样. 很多高频任务, 固定流程, 常用判断标准, 都应该变成可复用记忆和知识缓存. 该复用的上下文不要反复消耗 Token, 该沉淀的答案不要每次重新生成. 未来企业做 Agent, 不只要看效果, 也要看经济性. 谁能更好组织 Context, 谁就能用更低成本跑出更稳定的结果. Agent 成本治理不是财务问题, 而是知识架构问题. Context 组织得越好, Token 消耗越低, 结果越稳定. 爱分析: 现在很多人在讨论 Skill, Skill 和企业知识之间的关系是什么? 彭际华: Skill 本质上也是企业知识的一部分, 只不过它不是 "知道什么" 的知识, 而是 "怎么做事" 的知识. 过去大谈知识, 容易想到制度, 文档, 案例, 模板. 但在企业真实运-里, 更关键的往往是 "做事的方法" : 一合同怎么审, 一报告怎么写, 一客户怎么判断优先级, 一项目风险怎么识别. 这些经验如果不能被结构化, 就永远停留在专脑子里. Skill 就是把这种隐性经验Products化. 知识告诉 Agent 关注什么, Skill 告诉 Agent 怎么执行. 未来写 Skill 的技术门槛会越来越低, 因为模型自己就能生成大量 Skill. 真正稀缺的不是会不会写, 而是知不知道该写什么. 行业专的判断力, 业务专的结构化能力, 才是最关键的. 所以我们特别看重一种人: 有Products经理思维的业务专. 他既懂业务, 又能把经验拆成规则, 流程, 边界和评估标准. 一旦结构化, AI 就能把它变成可执行的 Skill. Skill 不是功能插件, 而是企业隐性知识的可执行形态. 爱分析: 由厂商和甲方的这种专一起沉淀 Skill 吗? 行业里的很多关键判断, 不可能靠 AI 厂商闭门造车. 律师懂法律业务, 我们懂 AI 工程; 航空维修专懂排故经验, 我们懂知识组织和 Agent 落地. 如果等律师完全懂 AI, 或者等 AI 厂商完全懂法律, 周期太长, 也不现实. 最有效率的方式, 是 FDE, Products经理和客户业务专一起工作. 厂商负责把经验工程化, 客户专负责提供真实判断和场景标准. 这件事的价值不只是交付一项目, 而是共同沉淀行业 Know-how. 行业 Agent 的壁垒不是界面, 而是共创出来的规则, Skill, 样例和评估体系. 真正的壁垒不是做出一界面, 而是把专经验, 规则体系, 测试样例和评估标准沉淀下来, 变成可复制的行业资产. 彭际华: 企业知识大概分三类, 对应三种处理方式. 第一类, 是原来没有沉淀的知识, 比如行业情报, 政策动态, 公开资料, 论文, 开源项目. 这类可以更多依靠 Agent 自动采集和整理. 第二类, 是有知识但没有体系. 文件散落在网盘, 邮箱, 硬盘, IM 和各种业务系统里. 企业不是没有知识, 而是知识没有结构, 没有更新机制, 也没有调用入口. 这类需要通过 Agent 做整理, 编译, 去重, 冲突检测和索引. 第三类最难, 是专脑子里的隐性知识. 这部分必须共创. 我们会让 FDE 和Products经理跟客户业务专一起工作, 观察两件事: 第一, 他时间花在哪里; 第二, 他的判断力体现在哪里. 最后, 我们把这些经验蒸馏成三类资产: 规则, Skill 和评估样例. 规则解决 "判断依据" , Skill 解决 "执行流程" , 评估样例解决 "结果是否合格" . 企业知识萃取不是把文档搬进知识库, 而是把专判断拆成规则, Skill 和评估样例. 没有评估, Skill 就只是自动化脚本; 有了评估, Skill 才能持续进化. 爱分析: 现在很多知识库本质上是文件管理, 未来会变成什么形态? 彭际华: 未来的知识库不会再只是文件管理, 也不会只是一问答框. 它会变成面向人和 Agent 的组织记忆系统. 过去知识库主要给人看, 所以有文件夹, 标签, 搜索框. Agent 时代, 知识库要同时给 Agent 调用. Agent 需要知道: 这空间里有哪些知识, 哪些是权威版本, 哪些已经过期, 哪些内容适合优先读取, 哪些答案需要人工复核. 所以会出现越来越多面向 Agent 的知识协议, 比如 Knowledge. md, Skill. md, Agent. md. 它们不是给人看的说明书, 而是给 Agent 的工作地图. 我们现在做 Knowledge. md, 本质上就是让 Agent 快速理解一知识空间: 这里有哪些资料, 每资料讲什么, 优先读什么, 哪些结论可以直接用, 哪些地方需要回到原文溯源. 更进一步, 知识库会从静态文档库变成活体系统. Agent 在执行任务过程中产生的新经验, 新错误, 新交付标准, 会被持续萃取, 验证, 回流. 下一代知识库不是搜索框, 而是 Agent 的工作地图, 记忆系统和知识运营引擎. 知识库如果还只是 "上传文件, 然后问答" , 就已经落后了. 下一代知识库要进入任务, 流程和交付, 成为 Agent 工作的上下文底座. 03
爱分析: 单一龙虾成熟之后, 多 Agent 协同必然来临. 目前, 多 Agent 协同面临哪些挑战? 彭际华: 最大的挑战不是多 Agent 数量多, 而是协作规则不清. 企业未来不会只有一 Agent, 而会有一批硅基员工: 有的负责采集, 有的负责分析, 有的负责生成, 有的负责审核, 有的负责高价值判断, 有的负责低成本重复劳动. 听起来很美, 但只要进入真实组织, 就会遇到和人类协作一样的问题: 谁负责, 谁交接, 谁复核, 谁背结果, 哪里需要人工介入, 哪里可以自动推进. 人和人协作, 很多时候可以依赖默契, 经验和默认规则. 但人和硅基员工协作, 不能继续依赖这些潜规则. 比如什么样的报告算合格, 什么信息必须优先核验, 哪些内容必须经过人工复审, 哪些场景可以由 Agent 自主完成, 这些都必须被明确表达出来. 所以, 超级组织时代的一核心挑战, 是业务知识的显性化. 知识管理不能停留在文档归档和资料管理层面, 而要嵌入真实业务流程, 持续为 Agent 提供工作上下文. 同时, Agent 在执行任务过程中产生的新经验, 新规则, 新交付标准, 也要被持续萃取, 验证和进化, 反哺企业知识体系. 这样, 企业才能从 "让 Agent 完成单点任务" , 走向 "让硅基员工真正参与组织协作" . 所谓 "龙虾元帅" , 本质上不是一更大的聊天机器人, 而是一套任务调度, 状态监督, 结果校验和知识沉淀机制. 在亿方智能内部, 我们更常把这类角色定义为 "主龙虾" 或 "规划虾" : 它负责理解目标, 拆解任务, 调度专业 Agent, 监督过程, 并对最终结果做校验. 它不仅要管理交付物, 还要管理协作过程中的知识. 多 Agent 协同不是多机器人聊天, 而是把任务, 交接, 验收, 权限和知识沉淀机制化. 更进一步, 我们的目标是给每知识工作者养一只 "知识虾" : 它不是通用聊天框, 而是知识工作者的硅基同事, 能理解人和组织的知识空间, 知道去哪找资料, 如何调用 Skill, 如何交付结果, 并把每一次工作过程沉淀回组织记忆. 很多中间过程, 本身就是非常重要的 Context. 爱分析: 企业落地智能体怎么降低 Token 成本? 彭际华: 我认为要三管齐下: 记忆缓存, 任务分级, 限额治理. 第一是记忆缓存. 高频任务, 固定规则, 常用答案, 标准流程, 不应该每次都从零开始推理. 能复用的上下文要复用, 能沉淀的结论要沉淀. 这是最根本的降本方式. 第二是任务分级. 不是所有任务都需要最强模型. 高风险, 高价值, 强推理任务可以用大模型; 标准化, 重复性, 低风险任务可以用小模型或专用模型. 企业里不可能所有员工都配最高成本的能力, Agent 也是一样. 第三才是限额. 限额是最后手段, 不是第一方案. 只靠限制 Token, 可能会牺牲效果; 更好的方式是通过知识组织, 上下文压缩, 模型分层和任务路由, 把成本结构优化掉. 未来企业一定会发现, Agent 的成本治理不是财务问题, 而是架构问题. Token 成本不是靠 "少用" 解决, 而是靠记忆复用, 模型分层和知识组织解决. 谁更懂 Context, 谁更会组织知识, 谁就能用更低成本跑出更稳定的 Agent. 彭际华: 模型能力的发展速度一定会继续快于应用落地. 现在很多企业可能连模型能力的十分之一都还没用起来. 第一是多模态. 今天文本能力已经很强, 但企业真实业务不是纯文本. 合同里有表格, 图纸里有标注, 会议里有音频, 生产现场有图片和视频. 真正的企业 Agent, 必须理解这些多模态信息, 也要能把它们-化为可执行的任务上下文. 第二是更低成本地利用知识. 未来不可能只是拼更大的模型. 模型会越来越强, 但企业更关心的是: 我能不能用更高质量的私域知识和 Context, 让模型少读一点, 少猜一点, 少消耗一点, 同时结果更稳定. 模型会继续进化, 框架会继续变化, Agent 形态也会不断变化. 但企业里真正长期稳定的东西, 是业务知识, 流程经验, 专判断和组织记忆. 所以未来竞争不会只是 "谁接入了更强模型" , 而是 "谁更会组织知识, 谁更会把知识变成 Agent 的工作上下文, 谁更能让知识持续萃取和进化" . 模型会变, 框架会变, Agent 形态会变; 企业知识, 流程经验和组织记忆才是长期资产. Agent 是会变化的, 知识才是复利资产.
华诺科技与 360 Fangcloud达成战略合作, 共推 AI 大模型产业化落地
360 Fangcloud AI 增值服务上线, 超大限时优惠等你来!
央企控股上市公司引入 360 FangCloud Enterprise Online Disk, 搭建智慧协同云平台
中国水利水电第七工程局, 北京石油化工学院等签约 360 Fangcloud
企业云盘
AI 知识库
浙公网安备 33011002015048 号
Online service
Phone consultation