公司知识库有很多文档，AI还是可能答得像个外人。它找到了相关词，却没弄懂团队为什么这样判断、什么情况要升级给专家。我读Meta的企业“第二大脑”案例时，最关注这一点：它怎样把专家一次纠错，变成下一次还能用的知识。
我的判断：文档很多但答案总偏的团队，先把知识内容、处理流程和验收案例分开管理，通常比不断追加长提示词更值得尝试。本文资料核验日期为2026年9月16日，案例依据Meta官方工程博客；下面的小团队方案是编辑建议，没有声称复制了Meta的实际效果。
这个案例解决的是什么问题？
Meta在9月2日公开的案例围绕一个需要专家知识的合规领域展开。系统用结构化知识文件保存组织判断，用明确流程组织分析，再把专家反馈转为经过验证的更新。底层模型不必为每次纠错重新训练。
我会用一个简单问题检查自己的知识库：它知道某条规定是什么，是否也知道公司采用什么解释、适用于哪些场景、遇到冲突应该找谁？如果后三项都没写下来，检索到原文并不足以完成判断。
我最想借鉴的是三份材料的分工
| 材料 | 记录内容 | 编辑建议 |
|---|---|---|
| 知识文件 | 已确认事实、组织立场、适用边界 | 给出来源与维护负责人 |
| 任务流程 | 先查什么、怎样分析、何时升级 | 每一步有明确输入输出 |
| 验收案例 | 典型问题、正确依据、常见误答 | 每次修复后重跑旧问题 |
这个分工有一个很实际的好处：答案错了，你可以更快定位。资料缺失，就补知识；资料已经有答案但步骤走偏，就改流程；专家意见不同，就把分歧摆出来讨论。别把所有失败都归结为“模型不够聪明”。
专家纠错之后，我会留下哪些信息？
案例描述了从反馈诊断、最小修改、验证到专家审核的闭环。我的建议是用轻量记录先实现同样的管理目标，不必一开始就建设复杂平台。
- 保存原问题和AI给出的结论。
- 请专家指出缺少的依据或走错的步骤。
- 把修复落在明确的知识文件或任务流程上。
- 重问原问题，同时重跑相关的旧案例。
- 由负责人确认修改，再记录版本与原因。
关键是留下“为什么改”。只把最终正确答案贴到一个聊天里，很难知道以后更新材料时是否还应保留这个判断。维护记录清楚，后续成员也更容易发现过期或冲突。
一个假设的售后场景
假设客户问某款产品能否保修，AI只检索到普通期限，却没检查购买渠道的例外。你可以把渠道例外补进知识文件，并在处理流程增加渠道确认步骤。再用普通渠道、特殊渠道和渠道未知三个问题验收。这是教学示例，不是Meta案例里的业务数据。
小团队起步，我会缩到多小？
- 只选一个反复出现的主题。
- 整理少量已经确认的规则及边界。
- 写一条短流程，明确资料不足时如何升级。
- 保留一组真实但已脱敏的验收问题。
- 指定知识维护者，避免多人修改互相覆盖。
如果连规则负责人都没确定，先别期待AI自行统一公司立场。检索、推理和编辑都需要权限边界；涉及重要决策时应保留专家检查。一次案例的架构思路可以借鉴，效果则需要在自己的资料和任务上验证。
FAQ
要先训练自己的模型吗？
这篇案例展示的是通过可审查文本和流程更新改进系统。对小范围试点，我会先验证知识与流程管理，再讨论其他技术投入。
知识文件越多越好吗？
未必。重叠、过期和相互冲突会增加维护负担，优先保留有用途、有来源、有负责人的材料。
能让AI自己批准知识修改吗？
我的建议是让AI准备修改建议，由负责人核对依据和验收结果，重要组织立场应保留人工控制。
