如何用企業私域知識喂出超級龍蝦？360億方智能給出新思路
龍蝦可以像員工一樣工作，它會自己調用工具、規劃任務、尋找文件，甚至能在不斷試錯中完成交付。在當前這一波養龍蝦熱潮下，企業面臨新的挑戰：如何讓龍蝦真正進入業務流程？如何控制快速膨脹的Token成本？在此背景下，愛分析與 360億方智能CEO彭際華進行了一場深度對話。作為長期聚焦企業知識與AI工程化落地的廠商，360億方智能正在圍繞AgentFS、企業記憶、Skill、Knowledge Hub等方向展開實踐。其核心產品理念是：讓知識成為生產力。
本次對話重點討論了記憶的價值、Skill如何在企業落地、多Agent協同如何進入真實業務流程等問題。- 大模型決定Agent的能力上限，知識上下文決定Agent的能力下限。
模型解決“能不能做”的問題，企業Context解決“能不能穩定做好”的問題。沒有業務上下文，Agent再聰明，也只是一個不懂企業的新員工。
業務規則、流程標準、審批習慣、交付要求、專家判斷、曆史經驗，這些才決定Agent能不能進入真實工作流。- 未來的知識庫不是文件倉庫，而是面向Agent的組織記憶系統。
知識不再只是文檔，還包括會議記錄、任務過程、專家判斷、業務規則、Agent執行軌跡和可複用Skill。
未來寫Skill的技術門槛會下降，真正稀缺的是能把業務經驗結構化的人。專家知道“怎麼做”，企業要把這種經驗變成Agent可執行、可複用、可評估的規則和流程。
模型越強，越會淘汰薄Agent；但模型越強，也越會放大私域知識、業務規則和工程化治理的價值。
企業AI的終局，不是每人一個聊天機器人，而是每個組織擁有一批懂業務、能協作、可治理的矽基員工。人和矽基員工協作的核心工作是把業務知識顯性化。知識管理要嵌入業務過程，為矽基員工提供工作上下文，並確保知識持續萃取、驗證和進化。
01
彭際華：OpenClaw不是一個新的聊天工具，而是大模型規劃能力外溢後的新形態。過去的大模型主要回答問題。現在，它開始能拆解任務、調用工具、操作文件、檢查結果、反複修正，逐漸從“問答系統”變成“執行系統”。第一階段是Prompt階段。這個階段主要靠提示詞，人把任務拆好，把邊界講清楚，再讓模型執行。第二階段是Context階段。模型開始能基於長上下文連續完成任務，AI編程、報告撰寫、資料分析都是典型場景。第三階段是Harness階段。Agent不只是執行，還要能評估結果、修正路徑、沉澱經驗。它需要任務環境、工具調用、狀態管理、結果驗證、安全沙箱和權限控制。OpenClaw代表的就是第三階段的開始。它讓Agent從“會說話”走向“會幹活”。但在企業裡，會幹活還不夠。一個新員工再勤奮，如果不了解公司的業務規則、交付標準和審批流程，也很難穩定產出結果。所以我一直強調：大模型決定Agent的能力上限，知識上下文決定Agent的能力下限。模型讓Agent具備通用能力，企業Context決定它能不能真正上崗。第一，Agent從雲端走向真實工作環境。過去很多智能體只停留在雲端問答，現在開始進入浏覽器、桌面、文件系統、企業應用和工作空間。它不再只是知道答案，而是開始接觸現場。第二，Agent從流程編排走向自主規劃。過去很多智能體，本質上還是人先把流程編排好，AI按節點執行。龍蝦代表的是另一種形態：人表達目標，Agent自己拆任務、找工具、試路徑、修結果。第三，軟件的服務對象正在改變。過去軟件主要服務人，界面、按鈕、菜單都圍繞人的操作設計。接下來，軟件不僅要讓人好用，也要讓Agent會用。所以CLI、API、Skill、Knowledge.md、Handoff這類面向Agent的能力會越來越重要。它們不是技術細節，而是Agent Native時代的基礎設施。這就是AI Native的底層變化：產品不再只是給人一個界面，而是要給Agent一套可調用、可追溯、可治理的能力。彭際華：不能簡單說順暢或不順暢。更準確地說，Agent正在從能力驗證走向真實業務流程，但真正的阻力不是模型能力，而是企業自己的業務Context沒有準備好。很多企業的任務目標其實很明確，比如寫訪談稿、整理會議紀要、生成分析報告、審核合同、撰寫公文。今天的模型和Agent已經具備參與這些工作的能力。問題在於，它不知道企業平時怎麼工作。它不知道一份合格報告的標準是什麼，不知道哪些信息必須核驗，不知道客戶審核習慣，也不知道哪些內容必須經過人工複審。人類員工入職後，可以通過觀察、請教、開會和試錯慢慢理解這些潛規則。但矽基員工不行。人和矽基員工協作不能靠潛規則和隱性知識。企業必須把這些流程、標準、經驗和邊界顯性化，沉澱成Agent可理解、可調用、可複用的上下文。比如我們和某頭部律所共創NDA審查場景時，一開始大家以為重點是模擬律師審查流程。後來發現，真正重要的不是流程本身，而是不同角色背後的判斷標準：有人關注合同主體，有人關注權責對等，有人關注風險條款，有人關注可接受的談判空間。把這些經驗抽象成規則和Skill，Agent才能真正參與工作。所以企業落地Agent的關鍵，不是“接入一個Agent”，而是把組織如何工作的知識交給Agent。企業AI不是缺Agent，而是缺把業務規則、交付標準和專家經驗顯性化的能力。很多企業今天討論智能體，還是站在人使用系統的慣性裡思考：人怎麼做，Agent就怎麼做。但人和Agent的工作方式差異很大。專業人士做事追求一次成功，因為人的時間很貴，返工成本高。但Agent可以試錯，可以並行，可以在後臺反複嘗試。企業真正要定義清楚的，不是Agent中間每一步必須怎麼走，而是最終結果要達到什麼標準，哪些風險必須規避，哪些環節必須留痕，哪些節點必須人工確認。過去流程圍繞“人如何一步步完成任務”；未來流程會更多圍繞“任務如何被定義、執行、交接、複核和沉澱”。Agent不是把人的流程照搬一遍，而是倒逼企業從“人執行流程”轉向“任務被定義、交接、複核和沉澱”。企業要管的不是Agent中間失敗了幾次，而是它最終是否交付了合格結果，過程是否可追溯，風險是否可控制，經驗是否能沉澱。比如合同審查、政務簡報、會議紀要、資料整理、行業情報、報告生成，這些都比較適合。因為它們不是簡單問答，而是要經曆資料收集、信息篩選、規則判斷、格式生成和人工複核。龍蝦之所以引起關注，是因為它第一次讓大家意識到AI可以像員工一樣接任務。你給它一個目標，再給它一個工作環境，它開始自己找資料、操作文件、調用工具、完成交付。但企業不能照搬消費級體驗。消費級產品可以為了完成任務給很高權限，也可以暫時不關心Token成本；企業不行。企業真正落地Agent，必須補上四件事：權限邊界、過程審計、結果驗證和成本治理。企業落地Agent的關鍵不是“能不能跑”，而是“能不能安全、穩定、低成本地跑進業務流程”。否則，Agent能跑起來，但很難進入核心業務。02
愛分析：龍蝦開始出現記憶模塊雛形，記憶和企業知識之間的關系是什麼？彭際華：不是所有記憶都是知識。對企業來說，只有經過篩選、驗證、授權、結構化之後，能被複用的記憶，才真正成為知識。短期記憶是原始記錄，比如會議轉寫、任務日志、過程文件。這些信息量很大，但噪音也很大。中期記憶是階段性產出，比如整理後的會議紀要、修改後的稿件、初步審核報告。長期記憶是進一步體系化後的知識，比如行業方法論、審查規則、最佳實踐、避坑清單和標準模板。短期記憶解決“剛才發生了什麼”，長期知識解決“下次應該怎麼做”。企業過去有大量信息沉澱，但很多只是堆在文檔、網盤、郵件和聊天記錄裡。真正的問題不是沒有知識，而是沒有把這些信息變成Agent能理解、能調用、能複用的工作上下文。記憶不是知識。能被複用、授權、追溯、持續進化的記憶，才是企業知識。彭際華：不會。記憶會成為知識的重要入口，但不會替代知識庫。更準確地說，記憶、知識庫和業務Context會形成一條新鏈路：AI在工作過程中不斷產生短期記憶；經過整理、驗證和權限處理後，沉澱為中長期記憶；再進一步進入企業知識體系，最終成為Agent可調用的業務上下文。這條鏈路很關鍵。因為大模型決定Agent的能力上限，知識上下文決定Agent的能力下限。模型再強，如果不了解企業的業務規則、組織流程、交付標準和曆史經驗，它在企業裡還是很難穩定完成任務。我們現在做的事情，就是把Agent工作空間裡的過程文件、交付物、修改記錄和任務交接，持續沉澱成組織知識。這裡面有幾個關鍵機制：AgentFS提供Agent的工作空間，Handoff記錄任務交接，Knowledge.md幫助Agent理解空間內容和讀取順序，知識提煉服務把過程文件和交付物沉澱為可複用知識。這些機制的目標，是把Agent的“個人工作記憶”轉化為“團隊組織知識”。過去知識整理主要靠專人維護，未來企業每天使用AI 的過程，本身就會不斷產生新的知識素材。關鍵是企業有沒有能力把這些素材萃取出來，變成可治理、可複用、可進化的Context。未來知識庫不是文檔倉庫，而是把工作過程持續編譯成組織記憶的系統。這也是知識管理的新方向：不是把文檔歸檔，而是把組織如何工作這件事持續沉澱下來。Agent一旦進入長鏈路任務，Token消耗會非常快。企業不可能每次都讓模型從零開始讀材料、理解背景、推導規則。人為什麼要記住乘法口訣？因為記住以後，就不需要每次重新推導。AI也是一樣。很多高頻任務、固定流程、常用判斷標準，都應該變成可複用記憶和知識緩存。該複用的上下文不要反複消耗Token，該沉澱的答案不要每次重新生成。未來企業做Agent，不只要看效果，也要看經濟性。誰能更好組織Context，誰就能用更低成本跑出更穩定的結果。Agent成本治理不是財務問題，而是知識架構問題。Context組織得越好，Token消耗越低，結果越穩定。愛分析：現在很多人在討論Skill，Skill和企業知識之間的關系是什麼？彭際華：Skill本質上也是企業知識的一部分，只不過它不是“知道什麼”的知識，而是“怎麼做事”的知識。過去大家談知識，容易想到制度、文檔、案例、模板。但在企業真實運轉裡，更關鍵的往往是“做事的方法”：一份合同怎麼審，一份報告怎麼寫，一個客戶怎麼判斷優先級，一個項目風險怎麼識別。這些經驗如果不能被結構化，就永遠停留在專家腦子裡。Skill就是把這種隱性經驗產品化。知識告訴Agent關注什麼，Skill告訴Agent怎麼執行。未來寫Skill的技術門槛會越來越低，因為模型自己就能生成大量Skill。真正稀缺的不是會不會寫，而是知不知道該寫什麼。行業專家的判斷力、業務專家的結構化能力，才是最關鍵的。所以我們特別看重一種人：有產品經理思維的業務專家。他既懂業務，又能把經驗拆成規則、流程、邊界和評估標準。一旦結構化，AI就能把它變成可執行的Skill。Skill不是功能插件，而是企業隱性知識的可執行形態。愛分析：由廠商和甲方的這種專家一起沉澱Skill嗎？行業裡的很多關鍵判斷，不可能靠AI廠商閉門造車。律師懂法律業務，我們懂AI工程；航空維修專家懂排故經驗，我們懂知識組織和Agent落地。如果等律師完全懂AI，或者等AI廠商完全懂法律，周期太長，也不現實。最有效率的方式，是FDE、產品經理和客戶業務專家一起工作。廠商負責把經驗工程化，客戶專家負責提供真實判斷和場景標準。這件事的價值不只是交付一個項目，而是共同沉澱行業Know-how。行業Agent的壁壘不是界面，而是共創出來的規則、Skill、樣例和評估體系。真正的壁壘不是做出一個界面，而是把專家經驗、規則體系、測試樣例和評估標準沉澱下來，變成可複制的行業資產。第一類，是原來沒有沉澱的知識，比如行業情報、政策動態、公開資料、論文、開源項目。這類可以更多依靠Agent自動采集和整理。第二類，是有知識但沒有體系。文件散落在網盤、郵箱、硬盤、IM和各種業務系統裡。企業不是沒有知識，而是知識沒有結構，沒有更新機制，也沒有調用入口。這類需要通過Agent做整理、編譯、去重、沖突檢測和索引。第三類最難，是專家腦子裡的隱性知識。這部分必須共創。我們會讓FDE和產品經理跟客戶業務專家一起工作，觀察兩件事：第一，他時間花在哪裡；第二，他的判斷力體現在哪裡。最後，我們把這些經驗蒸餾成三類資產：規則、Skill和評估樣例。規則解決“判斷依據”，Skill解決“執行流程”，評估樣例解決“結果是否合格”。企業知識萃取不是把文檔搬進知識庫，而是把專家判斷拆成規則、Skill和評估樣例。沒有評估，Skill就只是自動化腳本；有了評估，Skill才能持續進化。愛分析：現在很多知識庫本質上是文件管理，未來會變成什麼形態？彭際華：未來的知識庫不會再只是文件管理，也不會只是一個問答框。它會變成面向人和Agent的組織記憶系統。過去知識庫主要給人看，所以有文件夾、標簽、搜索框。Agent時代，知識庫要同時給Agent調用。Agent需要知道：這個空間裡有哪些知識，哪些是權威版本，哪些已經過期，哪些內容適合優先讀取，哪些答案需要人工複核。所以會出現越來越多面向Agent的知識協議，比如Knowledge.md、Skill.md、Agent.md。它們不是給人看的說明書，而是給Agent的工作地圖。我們現在做Knowledge.md，本質上就是讓Agent快速理解一個知識空間：這裡有哪些資料，每份資料講什麼，優先讀什麼，哪些結論可以直接用，哪些地方需要回到原文溯源。更進一步，知識庫會從靜態文檔庫變成活體系統。Agent在執行任務過程中產生的新經驗、新錯誤、新交付標準，會被持續萃取、驗證、回流。下一代知識庫不是搜索框，而是Agent的工作地圖、記憶系統和知識運營引擎。知識庫如果還只是“上傳文件，然後問答”，就已經落後了。下一代知識庫要進入任務、流程和交付，成為Agent工作的上下文底座。03
愛分析：單一龍蝦成熟之後，多Agent協同必然來臨。目前，多Agent協同面臨哪些挑戰？彭際華：最大的挑戰不是多Agent數量多，而是協作規則不清。企業未來不會只有一個Agent，而會有一批矽基員工：有的負責采集，有的負責分析，有的負責生成，有的負責審核，有的負責高價值判斷，有的負責低成本重複勞動。聽起來很美，但只要進入真實組織，就會遇到和人類協作一樣的問題：誰負責，誰交接，誰複核，誰背結果，哪裡需要人工介入，哪裡可以自動推進。人和人協作，很多時候可以依賴默契、經驗和默認規則。但人和矽基員工協作，不能繼續依賴這些潛規則。比如什麼樣的報告算合格，什麼信息必須優先核驗，哪些內容必須經過人工複審，哪些場景可以由Agent自主完成，這些都必須被明確表達出來。所以，超級組織時代的一個核心挑戰，是業務知識的顯性化。知識管理不能停留在文檔歸檔和資料管理層面，而要嵌入真實業務流程，持續為Agent提供工作上下文。同時，Agent在執行任務過程中產生的新經驗、新規則、新交付標準，也要被持續萃取、驗證和進化，反哺企業知識體系。這樣，企業才能從“讓Agent完成單點任務”，走向“讓矽基員工真正參與組織協作”。所謂“龍蝦元帥”，本質上不是一個更大的聊天機器人，而是一套任務調度、狀態監督、結果校驗和知識沉澱機制。在億方智能內部，我們更常把這類角色定義為“主龍蝦”或“規劃蝦”：它負責理解目標、拆解任務、調度專業Agent、監督過程，並對最終結果做校驗。它不僅要管理交付物，還要管理協作過程中的知識。多Agent協同不是多個機器人聊天，而是把任務、交接、驗收、權限和知識沉澱機制化。更進一步，我們的目標是給每個知識工作者養一只“知識蝦”：它不是通用聊天框，而是知識工作者的矽基同事，能理解個人和組織的知識空間，知道去哪找資料、如何調用Skill、如何交付結果，並把每一次工作過程沉澱回組織記憶。彭際華：我認為要三管齊下：記憶緩存、任務分級、限額治理。第一是記憶緩存。高頻任務、固定規則、常用答案、標準流程，不應該每次都從零開始推理。能複用的上下文要複用，能沉澱的結論要沉澱。這是最根本的降本方式。第二是任務分級。不是所有任務都需要最強模型。高風險、高價值、強推理任務可以用大模型；標準化、重複性、低風險任務可以用小模型或專用模型。企業裡不可能所有員工都配最高成本的能力，Agent也是一樣。第三才是限額。限額是最後手段，不是第一方案。只靠限制Token，可能會犧牲效果；更好的方式是通過知識組織、上下文壓縮、模型分層和任務路由，把成本結構優化掉。未來企業一定會發現，Agent的成本治理不是財務問題，而是架構問題。Token成本不是靠“少用”解決，而是靠記憶複用、模型分層和知識組織解決。誰更懂Context，誰更會組織知識，誰就能用更低成本跑出更穩定的Agent。彭際華：模型能力的發展速度一定會繼續快於應用落地。現在很多企業可能連模型能力的十分之一都還沒用起來。第一是多模態。今天文本能力已經很強，但企業真實業務不是純文本。合同裡有表格，圖紙裡有標注，會議裡有音頻，生產現場有圖片和視頻。真正的企業Agent，必須理解這些多模態信息，也要能把它們轉化為可執行的任務上下文。第二是更低成本地利用知識。未來不可能只是拼更大的模型。模型會越來越強，但企業更關心的是：我能不能用更高質量的私域知識和Context，讓模型少讀一點、少猜一點、少消耗一點，同時結果更穩定。模型會繼續進化，框架會繼續變化，Agent形態也會不斷變化。但企業裡真正長期穩定的東西，是業務知識、流程經驗、專家判斷和組織記憶。所以未來競爭不會只是“誰接入了更強模型”，而是“誰更會組織知識，誰更會把知識變成Agent的工作上下文，誰更能讓知識持續萃取和進化”。模型會變，框架會變，Agent形態會變；企業知識、流程經驗和組織記憶才是長期資產。Agent是會變化的，知識才是複利資產。
華諾科技與360億方雲達成戰略合作，共推AI大模型產業化落地
360億方雲AI增值服務上線，超大限時優惠等你來！
央企控股上市公司引入360億方雲企業網盤，搭建智慧協同雲平臺
中國水利水電第七工程局、北京石油化工學院等簽約360億方雲
企業雲盤
AI 知識庫
浙公網安備 33011002015048號
在線客服
電話諮詢