数字化转型网人工智能研习社关注人工智能从技术到落地的全方面，包含机器学习算法、深度学习架构、自然语言处理（NLP）技术、计算机视觉技术、AI+医疗健康、AI+交通出行、AI+金融、AI+制造、AI+消费品、AI+互联网、数据隐私和安全、算法公平性、产业生态建设、政策法规制定与完善等。

  作为知识管理的核心对象“知识”本身，如何让其产生价值，需要依托于“人”将“知识”习得，并应用于“业务”，进而产生可量化评估的价值，最终实现知识管理的预期目标，促进组织的创新和持续发展。   

 笔者结合十多年来知识管理的实践经验，总结出关于“知识-业务-人”三维一体的知识管理实践模型，如下图所示，在知识管理的不同阶段，“知识、业务、人”的实施发力点是不同的，总体来说是持续迭代的过程。知识资产化阶段在于夯实知识基础，实现“知识-业务-人”的有机关联，在应用场景化阶段则侧重场景深化，实现“知识-业务-人”的动态循环，而在组织智慧化阶段则全面提升知识智能化水平，实现“知识-业务-人”智能演化。  

 由上述模型，我们总结出知识管理实践中的九种武器，即：知识仓库、流程地图、岗位图谱、知识萃取、场景服务、经验传承、知识增强大模型、辅助决策、人才画像。

    图：“知识-业务-人”知识管理实践模型

    本文主要针对第七种武器“知识增强大模型”进行描述。在组织智慧化阶段，通过结合个体或组织内部的专有知识和经验，使生成式AI模型具备更强大、更专业的问题解答和创造性生成能力。这种能力可以基于私有知识库和数据进行微调训练或RAG（搜索增强生成）方式，使AI系统对特定领域或行业的理解和表达更加准确和适应性强。

    如果说通用大模型是高中生，具备语数外物生化政史地等基础知识；领域大模型就像大学生，具备计算机、医学、财经、法律等专业领域知识；知识增强大模型则像具备企业know-how的企业员工，懂得企业产品、技术、运营等个性化业务数据和知识。通过知识增强技术，可以给大模型外挂企业私有知识图谱，其架构如图所示。

     在基于“知识图谱+大模型“的知识增强大模型应用架构中，能够使AI模型具备更强大、更专业的问题解答和创造性生成能力，并且能够在特定领域或行业中提供准确和适应性强的表达，一般来说，有以下几种知识增强方式。

    一是知识融入预训练。目的是在预训练阶段将知识图谱中知识纳入大语言模型，这可以帮助LLM从KG中学习知识，使生成结果蕴含知识，提升可信程度。

    二是增强强结果可控程度。目的是利用KG中的数据与结识来约束LLM的生成，使得大模型基于特定的数据和知识进行内容生成。典型方法就是基于KG的检索增强，对用户问题先在KG中进行数据检索，并把它们作为额外的上下文信息送入LLM进行内容生成（而不是让LLM依据其自然知识进行生成）。

    三是增强可解释性。目的是利用KG来理解LLM学到的知识、解释LLM的推理过程和生成结果，提升大语言模型结果可信度。典型方法就是将KG用于LLM引证，通过与KG中的知识链接理解LLM的生成结果，从KG中链接图结构的知识来解释生成的结果。

    四是增强推理能力。目的是在LLM的推理阶段利用KG，使得LLM能够外接更强的知识推理能力，并获得最新的知识而不需要重新训练。典型方法就是以LLM的CoT等推理能力为基础，以外挂方式接载知识图谱推理引擎，提升推理能力。

    五是增强提示构建。目的是基于KG中的知识自动构建激发LLM生成内容的提示。典型方法就是以KG中的知识来辅助生成提示样本，辅助LLM理解任务意图。

声明：本文来自知识管理就在夏博，版权归作者所有。文章内容仅代表作者独立观点，不代表数字化转型网立场，转载目的在于传递更多信息。如有侵权，请联系我们。

数字化转型网人工智能研习社包含哪些内容

数字化转型网人工智能研习社关注人工智能从技术到落地的全方面，包含机器学习算法、深度学习架构、自然语言处理（NLP）技术、计算机视觉技术、AI+医疗健康、AI+交通出行、AI+金融、AI+制造、AI+消费品、AI+互联网、数据隐私和安全、算法公平性、产业生态建设、政策法规制定与完善等。