人智融合型知识萃取与提示语库的应用

传统知识萃取面临“千人千问”“千人千言”和“千人千果”等挑战与困境。为此，需要探索科学的标准和工具，提升知识萃取和表征的同一度和收敛性，实现知识沉淀的高质量要求。在人智融合的新时代背景下，人智融合型知识萃取通过AI智能体，在知识萃取前、萃取中和萃取后的三个环节同时发力，助力知识萃取质效双升。

文 / 魏钧、何雅妮

传统知识萃取面临的挑战

在知识萃取的过程中，经常会面临诸多挑战与困境，尤其是人为因素对萃取结果影响较为显著。不同专家、不同表征方式和不同的理论框架，都会改变知识萃取的结果。

不同专家萃取，造成“千人千问”

不同的知识萃取专家，无论来自企业内部或外部，都因不同的知识背景和工作经验，形成不同的对话视角。比如，面对同一个业务问题，一些访谈者关注痛点是如何排除的，另一些访谈者关注采取了何种创新办法，还有些访谈者关注人为因素带来的各种变化。这种来自访谈者的主观差异，直接影响了知识萃取主题的选择，导致知识萃取呈现过高的多样性和分散性，一旦访谈问题不聚焦，知识挖掘过程从开始就会偏离方向。因而，需要我们从问题侧增强知识萃取的工作效率与访谈质量。如何及早确定核心问题、找到主要和次要脉络，将复杂问题简单化，成为避免陷入提问漩涡的关键。

不同表征方式，造成“千人千言”

知识萃取出来后，需要通过各种形式进行表征，比如采用文字描述、图表展示、视频呈现、案例开发等不同形式，都可以实现知识的表征。多数企业习惯于用文字来表征知识，而不同的人又会选择不同的文字形式，大家有着各自的文字表达风格，对于同一个内容，也会产生不同的文字表征方案，比如，受访者讲到企业内部如何通过对私业务拉动对公业务的成功经验，一些知识萃取师认为可以用“公私联动”来命名，另一些萃取师则认为不够具体，建议用“以私促公”来命名。这种表征分歧经常出现，成为知识萃取中一个无法逾越的难点。

不同理论框架，造成“千人千果”

知识萃取时，不同萃取师有不同的理论框架，这也是知识结构化的逻辑底座，比如，客户经理讲到客户关系管理方面的经验，萃取师如果掌握关系营销的理论框架，就会有一个预设提问框架，从不同角度去提问，这样可以提高知识挖掘的精准度，不使重要的知识被疏漏。通过不同理论框架建构出来的问题提纲，会问出不同的答案，也就产生不同的萃取结果。如果不同的萃取师可以依据一个理论框架去寻问，萃取结果将呈现收敛态势，否则就会出现“千人千果”的局面。可见，在访谈中找到适合的理论框架，是避免萃取方向错误的有效途径。

知识萃取所面临的“千人千问”“千人千言”和“千人千果”等挑战与困境，一方面体现出知识表征的多样性和创造性，另一方面也告诉我们知识萃取的主观性和不确定性。为此，需要探索科学的标准和工具，提升知识萃取和表征的同一度和收敛性，实现知识沉淀的高质量要求。

人智融合型知识萃取的创新模式

在人智融合的新时代背景下，知识萃取的方式也发生着重大变革。人工智能可以在知识萃取进程中起到关键作用，有利于解决人为因素造成的不确定性。根据人工智能的参与程度，人智融合的知识萃取模式可以分成三类：人智协同模式、人智交互模式和人智一体模式（见图1）。

人智协同模式如同司机找了智能“代驾”，工作流程中的部分工作由人工智能协助完成，比如，访谈提纲可以先由人工智能协助设计，访谈音频可以由人工智能协助转写与检验，陈述内容的要点也可以由人工智能协助生成。这样一来，引入人工智能协助的知识萃取，就改变了以往“千人千问”的状态，聚焦在事前生成的主干问题上，方便萃取师沿着这些核心问题去深入挖掘。

人智交互模式如同司机找到了一位智能“副驾”，不仅可以帮司机看路指引，还可以与司机交流聊天，从而创造更多的情绪价值，这种人智融合模式下的知识萃取可以由数字人或智能体来完成，人们愿意与其交流是因为它们在一定程度上可以提供人与人之间才有的信任和共鸣。比如，智能“副驾”在与受访者交流时，可以表现得更善解人意，除了业务交流和提问，还可以有一些自然的情感表达，让受访者在对话过程中体验到沟通的快乐，获得支持性的有效信息，倍受鼓舞。这样的人智融合场景属于人智交互模式，人工智能在此场景中能够发挥超越计算机的类人交流功能。

第三种模式是人智一体模式，就如同司机使用了全智能化的“智驾”，完全由人工智能直接分析个体行为和经验，随时记录个体行为和思考，实时萃取个体经验，智能生成知识创造结果，实现人工智能的全自动动态适配。这种模式需要借助更多传感器和人机接口，同步沉淀个体的行为数据，实时分析个体的思维路径，形成人智一体场景中的知识萃取成果（见表1）。

人智融合型知识萃取的实现路径

人智融合型知识萃取通过AI智能体，在知识萃取前、萃取中和萃取后的三个环节同时发力，助力知识萃取质效双升。正如赵浜等人指出的，大模型作为逻辑中枢，结合知识库与AI智能体，可以实现知识挖掘任务的全流程自主化、智能化。在知识萃取的“前、中、后”三个环节上，人智融合都能发挥重要作用（见图2），其中构建高质量的提示语库（Prompts Data Base）又是重中之重。

萃取前：生成提纲

在知识萃取的前期阶段，即访谈准备阶段，借助AI可以依据受访者基础资料或企业相关素材，生成结构化的访谈大纲。同时，还可以为访谈者提供注释对照，如行业动态、专业术语、常见业务问题及解决方案等，表2列举了提示语库的应用目的、前置条件和模板实例。目前，一些企业开始使用系统化模板访谈业务专家，结合AI对历史项目文档进行分析，这样可以提前定位受访者工作经验的关键点。

笔者选取了一个主流大模型工具，结合萃取的实际案例，给出一个“大纲生成”方面的人智融合交互过程：

【提示语】

（上传“公私联动-行长案例.pdf ”）附件是某行长对于如何通过公私联动赋能一线，深挖私行客户，取得成功的案例说明。接下来我要对该行长进行一对一深度访谈，以挖掘优秀经验和特色做法，请结合此资料中的重点和访谈目标，设计一份访谈提纲。要求：（1）本提纲中的问题不要过于具体，要符合深度访谈半结构式的问题设计，留给访谈者和被访谈者更多自由发挥和响应的空间；（2）针对此案例中的关键动作、创新行为进行提问，不用对所有问题面面俱到。

【智能体作答】

访谈提纲：XX分行行长深度访谈 

一、战略规划与整体思路

战略定位：您提到“公私联动聚势赋能”是成功的关键，能否分享这一策略从构想到落地的关键决策过程？ 

文化塑造：总行提出“齐抓共管的零售文化”，您是如何在分行内推动这种文化转变的？有哪些阻力？如何化解？ 

二、关键动作与创新实践

赋能一线：“线上+线下互补”模式的创新点是什么？能否分享一个最令您印象深刻的执行案例？ 

三、挑战与反思

风险与应对：在服务高净值客户时，如何应对产品亏损引发的信任危机（如张女士案例）？您认为挽回客户的核心要素是什么？ 

萃取中：智能辅助

在知识萃取中，AI能够对受访者的回答进行同步分析，识别问答中的关键点，起到智能辅助的作用。AI还可以对照同类经验，找出受访者回答中的内容缺失，访谈者可以根据这些提示来追问，让访谈尽可能覆盖全部调研内容。同时，对于业务不太精熟的访谈者，还可以使用AI对专业内容实施迅速检索，以便了解业务背景信息，表3展示了提示语库的模板结构。目前，主流的会议软件都开始搭载AI功能，如腾讯会议能够通过腾讯云的AI接口自定义开发，将会议记录接入企业内部知识库，实现跨文档的语义搜索；讯飞会议可以支持实时转写的“语义搜索”。借助这些AI功能，可以大幅提升知识萃取的效率和质量。

笔者结合实际萃取案例，给出一个“内容覆盖”方面的人智融合交互过程：

【提示语】

（上传“客户经理-访谈记录.docx”）附件是某客户经理在访谈中讲述自己如何通过把握当地龙头企业资源，扩大银行在该片区授信范围的经验。请根据银行同业的常见做法，帮我分析受访者回答是否全面，还有哪些他没有提到的做法。

【智能体作答】

受访客户经理在访谈中提到的经验主要围绕“协会资源整合”“链式开发”“产业嵌入”“信用村建设”等策略展开，这些做法在银行业务拓展中具有较强实操性，但相较于同业常见做法，仍存在以下未提及的方面：

一、大数据应用

大数据风控：利用农业产业链数据（如种植规模、销售流水）优化授信模型，降低信息不对称风险。

二、产品多元化

供应链金融：通过应收账款融资、存货质押融资等产业，覆盖产业链的更多环节。

绿色金融：针对生态农业项目提供低息贷款，响应政策导向。

三、与政府合作

参与产业基金：与地方政府合作设立农业产业基金，整合更多资源。

协助申请补贴：帮助农户或企业申请政府补贴，降低融资成本。

萃取后：双向挖掘

在知识萃取后，需要对访谈内容进行知识挖掘，同时进行理论测定，完成三级编码并构建知识图谱。在这个过程中，可以通过智能体对知识表征、架构确立和图谱开发等环节进行完善升华，发挥人智融合的强大优势，表4给出了提示语库的模板与应用实例。

笔者结合实际萃取案例，给出一个“理论测定”方面的人智融合交互过程：

【提示语】

（上传“营业部主管-访谈亮点.doxc”）这是一段关于银行营业部主管服务战略客户的经验萃取访谈。请根据其中提到的关键举措，帮我分析该主管行为背后的管理学理论依据，给出来源出处，以及这个理论是如何在其中体现的。

【智能体作答】

客户关系管理

理论提出者：Philip Kotler、Don Peppers等

理论核心：通过系统化管理客户信息、深度挖掘客户需求、长期维护客户关系，提升客户满意度和忠诚度，最终实现业务增长。

案例场景：通过陪客户打太极、帮助客户解决家庭困难（如疾病治疗），建立情感纽带，增强客户黏性。这符合CRM中“情感化服务”与“长期关系维护”的理念。

用AI进行双向挖掘时，一般很难在首次指令发出后，就得到满意的输出结果，还需要对指令进行拆解和验证，不断修改和输入新的指令。因此，知识萃取后的双向挖掘是人智深入交互的过程。此外，出于对萃取内容的信息安全性考虑，企业还可以发挥自身知识沉淀和已有数据资源的优势，构建专属知识库与自有智能体，配置行业级本地大模型，在知识萃取实现高效智能的同时，确保信息安全。

魏钧：北京科技大学经济管理学院教授、博士生导师，数智化管理研究中心主任

何雅妮：北京科技大学经济管理学院硕士研究生

责任编辑：周扬

来源：《清华管理评论》2025年7-8月刊