人智融合型知識萃取與提示語庫的應用

傳統知識萃取面臨的挑戰

在知識萃取的過程中，經常會面臨諸多挑戰與困境，尤其是人為因素對萃取結果影響較為顯著。不同專家、不同表征方式和不同的理論框架，都會改變知識萃取的結果。

不同專家萃取，造成“千人千問”

不同的知識萃取專家，無論來自企業內部或外部，都因不同的知識背景和工作經驗，形成不同的對話視角。比如，面對同一個業務問題，一些訪談者關注痛點是如何排除的，另一些訪談者關注采取了何種創新辦法，還有些訪談者關注人為因素帶來的各種變化。這種來自訪談者的主觀差異，直接影響了知識萃取主題的選擇，導致知識萃取呈現過高的多樣性和分散性，一旦訪談問題不聚焦，知識挖掘過程從開始就會偏離方向。因而，需要我們從問題側增強知識萃取的工作效率與訪談質量。如何及早確定核心問題、找到主要和次要脈絡，將復雜問題簡單化，成為避免陷入提問漩渦的關鍵。

不同表征方式，造成“千人千言”

知識萃取出來后，需要通過各種形式進行表征，比如采用文字描述、圖表展示、視頻呈現、案例開發等不同形式，都可以實現知識的表征。多數企業習慣于用文字來表征知識，而不同的人又會選擇不同的文字形式，大家有著各自的文字表達風格，對于同一個內容，也會產生不同的文字表征方案，比如，受訪者講到企業內部如何通過對私業務拉動對公業務的成功經驗，一些知識萃取師認為可以用“公私聯動”來命名，另一些萃取師則認為不夠具體，建議用“以私促公”來命名。這種表征分歧經常出現，成為知識萃取中一個無法逾越的難點。

不同理論框架，造成“千人千果”

知識萃取時，不同萃取師有不同的理論框架，這也是知識結構化的邏輯底座，比如，客戶經理講到客戶關系管理方面的經驗，萃取師如果掌握關系營銷的理論框架，就會有一個預設提問框架，從不同角度去提問，這樣可以提高知識挖掘的精準度，不使重要的知識被疏漏。通過不同理論框架建構出來的問題提綱，會問出不同的答案，也就產生不同的萃取結果。如果不同的萃取師可以依據一個理論框架去尋問，萃取結果將呈現收斂態勢，否則就會出現“千人千果”的局面。可見，在訪談中找到適合的理論框架，是避免萃取方向錯誤的有效途徑。

知識萃取所面臨的“千人千問”“千人千言”和“千人千果”等挑戰與困境，一方面體現出知識表征的多樣性和創造性，另一方面也告訴我們知識萃取的主觀性和不確定性。為此，需要探索科學的標準和工具，提升知識萃取和表征的同一度和收斂性，實現知識沉淀的高質量要求。

人智融合型知識萃取的創新模式

在人智融合的新時代背景下，知識萃取的方式也發生著重大變革。人工智能可以在知識萃取進程中起到關鍵作用，有利于解決人為因素造成的不確定性。根據人工智能的參與程度，人智融合的知識萃取模式可以分成三類：人智協同模式、人智交互模式和人智一體模式（見圖1）。

人智協同模式如同司機找了智能“代駕”，工作流程中的部分工作由人工智能協助完成，比如，訪談提綱可以先由人工智能協助設計，訪談音頻可以由人工智能協助轉寫與檢驗，陳述內容的要點也可以由人工智能協助生成。這樣一來，引入人工智能協助的知識萃取，就改變了以往“千人千問”的狀態，聚焦在事前生成的主干問題上，方便萃取師沿著這些核心問題去深入挖掘。

人智交互模式如同司機找到了一位智能“副駕”，不僅可以幫司機看路指引，還可以與司機交流聊天，從而創造更多的情緒價值，這種人智融合模式下的知識萃取可以由數字人或智能體來完成，人們愿意與其交流是因為它們在一定程度上可以提供人與人之間才有的信任和共鳴。比如，智能“副駕”在與受訪者交流時，可以表現得更善解人意，除了業務交流和提問，還可以有一些自然的情感表達，讓受訪者在對話過程中體驗到溝通的快樂，獲得支持性的有效信息，倍受鼓舞。這樣的人智融合場景屬于人智交互模式，人工智能在此場景中能夠發揮超越計算機的類人交流功能。

第三種模式是人智一體模式，就如同司機使用了全智能化的“智駕”，完全由人工智能直接分析個體行為和經驗，隨時記錄個體行為和思考，實時萃取個體經驗，智能生成知識創造結果，實現人工智能的全自動動態適配。這種模式需要借助更多傳感器和人機接口，同步沉淀個體的行為數據，實時分析個體的思維路徑，形成人智一體場景中的知識萃取成果（見表1）。

人智融合型知識萃取的實現路徑

人智融合型知識萃取通過AI智能體，在知識萃取前、萃取中和萃取后的三個環節同時發力，助力知識萃取質效雙升。正如趙浜等人指出的，大模型作為邏輯中樞，結合知識庫與AI智能體，可以實現知識挖掘任務的全流程自主化、智能化。在知識萃取的“前、中、后”三個環節上，人智融合都能發揮重要作用（見圖2），其中構建高質量的提示語庫（Prompts Data Base）又是重中之重。

萃取前：生成提綱

在知識萃取的前期階段，即訪談準備階段，借助AI可以依據受訪者基礎資料或企業相關素材，生成結構化的訪談大綱。同時，還可以為訪談者提供注釋對照，如行業動態、專業術語、常見業務問題及解決方案等，表2列舉了提示語庫的應用目的、前置條件和模板實例。目前，一些企業開始使用系統化模板訪談業務專家，結合AI對歷史項目文檔進行分析，這樣可以提前定位受訪者工作經驗的關鍵點。

筆者選取了一個主流大模型工具，結合萃取的實際案例，給出一個“大綱生成”方面的人智融合交互過程：

【提示語】

（上傳“公私聯動-行長案例.pdf ”）附件是某行長對于如何通過公私聯動賦能一線，深挖私行客戶，取得成功的案例說明。接下來我要對該行長進行一對一深度訪談，以挖掘優秀經驗和特色做法，請結合此資料中的重點和訪談目標，設計一份訪談提綱。要求：（1）本提綱中的問題不要過于具體，要符合深度訪談半結構式的問題設計，留給訪談者和被訪談者更多自由發揮和響應的空間；（2）針對此案例中的關鍵動作、創新行為進行提問，不用對所有問題面面俱到。

【智能體作答】

訪談提綱：XX分行行長深度訪談

一、戰略規劃與整體思路

戰略定位：您提到“公私聯動聚勢賦能”是成功的關鍵，能否分享這一策略從構想到落地的關鍵決策過程？

文化塑造：總行提出“齊抓共管的零售文化”，您是如何在分行內推動這種文化轉變的？有哪些阻力？如何化解？

二、關鍵動作與創新實踐

賦能一線：“線上+線下互補”模式的創新點是什么？能否分享一個最令您印象深刻的執行案例？

三、挑戰與反思

風險與應對：在服務高凈值客戶時，如何應對產品虧損引發的信任危機（如張女士案例）？您認為挽回客戶的核心要素是什么？

萃取中：智能輔助

在知識萃取中，AI能夠對受訪者的回答進行同步分析，識別問答中的關鍵點，起到智能輔助的作用。AI還可以對照同類經驗，找出受訪者回答中的內容缺失，訪談者可以根據這些提示來追問，讓訪談盡可能覆蓋全部調研內容。同時，對于業務不太精熟的訪談者，還可以使用AI對專業內容實施迅速檢索，以便了解業務背景信息，表3展示了提示語庫的模板結構。目前，主流的會議軟件都開始搭載AI功能，如騰訊會議能夠通過騰訊云的AI接口自定義開發，將會議記錄接入企業內部知識庫，實現跨文檔的語義搜索；訊飛會議可以支持實時轉寫的“語義搜索”。借助這些AI功能，可以大幅提升知識萃取的效率和質量。

筆者結合實際萃取案例，給出一個“內容覆蓋”方面的人智融合交互過程：

【提示語】

（上傳“客戶經理-訪談記錄.docx”）附件是某客戶經理在訪談中講述自己如何通過把握當地龍頭企業資源，擴大銀行在該片區授信范圍的經驗。請根據銀行同業的常見做法，幫我分析受訪者回答是否全面，還有哪些他沒有提到的做法。

【智能體作答】

受訪客戶經理在訪談中提到的經驗主要圍繞“協會資源整合”“鏈式開發”“產業嵌入”“信用村建設”等策略展開，這些做法在銀行業務拓展中具有較強實操性，但相較于同業常見做法，仍存在以下未提及的方面：

一、大數據應用

大數據風控：利用農業產業鏈數據（如種植規模、銷售流水）優化授信模型，降低信息不對稱風險。

二、產品多元化

供應鏈金融：通過應收賬款融資、存貨質押融資等產業，覆蓋產業鏈的更多環節。

綠色金融：針對生態農業項目提供低息貸款，響應政策導向。

三、與政府合作

參與產業基金：與地方政府合作設立農業產業基金，整合更多資源。

協助申請補貼：幫助農戶或企業申請政府補貼，降低融資成本。

萃取后：雙向挖掘

在知識萃取后，需要對訪談內容進行知識挖掘，同時進行理論測定，完成三級編碼并構建知識圖譜。在這個過程中，可以通過智能體對知識表征、架構確立和圖譜開發等環節進行完善升華，發揮人智融合的強大優勢，表4給出了提示語庫的模板與應用實例。

筆者結合實際萃取案例，給出一個“理論測定”方面的人智融合交互過程：

【提示語】

（上傳“營業部主管-訪談亮點.doxc”）這是一段關于銀行營業部主管服務戰略客戶的經驗萃取訪談。請根據其中提到的關鍵舉措，幫我分析該主管行為背后的管理學理論依據，給出來源出處，以及這個理論是如何在其中體現的。

【智能體作答】

客戶關系管理

理論提出者：Philip Kotler、Don Peppers等

理論核心：通過系統化管理客戶信息、深度挖掘客戶需求、長期維護客戶關系，提升客戶滿意度和忠誠度，最終實現業務增長。

案例場景：通過陪客戶打太極、幫助客戶解決家庭困難（如疾病治療），建立情感紐帶，增強客戶黏性。這符合CRM中“情感化服務”與“長期關系維護”的理念。

用AI進行雙向挖掘時，一般很難在首次指令發出后，就得到滿意的輸出結果，還需要對指令進行拆解和驗證，不斷修改和輸入新的指令。因此，知識萃取后的雙向挖掘是人智深入交互的過程。此外，出于對萃取內容的信息安全性考慮，企業還可以發揮自身知識沉淀和已有數據資源的優勢，構建專屬知識庫與自有智能體，配置行業級本地大模型，在知識萃取實現高效智能的同時，確保信息安全。