知识治理

标签「知识治理」下的文章

共 2 篇文章

从知识库到智能体:一个FDE在企业现场到底做什么

本文以一位FDE(前线部署工程师)在无锡某国有城乡建设综合服务商驻场一周的经历为案例,系统阐述了企业AI知识库与智能体落地的全流程实践。该企业业务覆盖市政环境、水务治理、城市更新等领域,具有典型的高知识密度特征。文章揭示了企业AI项目的真实起点并非演示工具,而是通过知识审计摸清知识家底。FDE在驻场期间执行了六个关键步骤:一是盘查知识位置,梳理资料在系统、网盘和个人电脑中的分布与版本管理状态;二是根据业务价值、使用频率和资料成熟度筛选首批知识域,果断排除难以复用的工程进度计划类材料和有风险的复盘报告;三是深度访谈一线员工,发现资料可追溯性与竣工状态不符等问题,强调需界定资料可用边界;四是将专家的判断逻辑(如设计输入、专业间串行提资)结构化翻译为知识库的标签与检索维度;五是同步收集测试题,构建检索、引用、复核、优化的闭环;六是预先与客户明确信息查询与业务生成、权限、场景优先级等边界,强调专业主体责任归位。文章总结了企业知识库建设的六步方法论:盘点位置、筛选首批、访谈用户、拆解专家经验、建立测试题库、设计运营机制,为FDE在企业AI咨询中的现场角色提供了具象的操作框架。

www.toutiao.com
阅读全文

Harness Engineering 與 FDE 崛起 落實 AI 轉型

本文探讨了生成式AI在企业落地过程中面临的核心挑战与应对方案,重点介绍了Harness Engineering和Forward Deployed Engineer两个新兴概念。Harness Engineering是一种用于控制、约束、验证和治理AI的工程方法,核心包含限制、验证和复原三项能力,为AI建立安全护栏;FDE则是能够深入业务现场、将隐性知识转化为可用数据的新型跨领域人才。文章指出企业AI落地最大阻力不是技术而是人才,管理层与员工对AI的期望差异导致项目停滞。同时,影子AI风险浮现,如员工误将薪资资料导入RAG系统,引发数据外泄和知识管理风险,治理范围必须从数据治理扩展至模型治理和知识治理。多位架构师强调,AI治理已提升至董事会层级,需建立完整分层的治理架构。文章还指出,工程重点正从提示工程转向流程工程,强调可重复执行的工作流程。CIO角色也从IT主管向变革推动者转变,需要兼具商业策略与组织变革能力。最终,企业竞争力取决于谁能建立最完善的治理架构和最值得信赖的AI系统。

www.cio.com.tw
阅读全文