上下文工程与知识工程-2026北京站_QECon全球软件质量效能大会-橙柚科技

优惠倒计时

8折票抢购中

团购享更多优惠

北京站 · 10月16-17日

上海站 · 9月4-5日

深圳站 · 5月22-23日

专场：上下文工程与知识工程

在大模型与AI原生研发浪潮下，软件研发正从传统的代码流程驱动，迭代为知识驱动的全新范式。上下文工程与知识工程是AI研发提质增效的核心底座，可打通研发信息壁垒，沉淀企业核心知识资产，实现研发流程可追溯、可复用、智能化迭代，高效解决研发上下文零散、知识沉淀不足、AI落地适配性弱、模型幻觉等行业痛点。构建标准化上下文治理体系、搭建研发知识图谱、以知识赋能全流程智能研发，已是企业研发升级的核心方向。本次「上下文工程与知识工程」分论坛汇聚行业技术专家与一线实践者，聚焦领域前沿，深度探讨上下文建模治理、研发知识复用、知识驱动研发质量与效能优化等核心议题，分享头部企业实战落地经验，为行业搭建智能化、标准化的新一代研发体系提供可落地的实践参考。

专场出品人：周默

京东零售平台营销中心用户运营部算法架构师

京东集团11年工作经历，曾任京东商城技术中台基础算法部负责人、京东零售用户增长与运营部技术团队负责人、京东零售产研中心技术架构部算法总监，现任京东零售营销中心用户运营部首席架构师，拥有丰富的高可用工程架构以及算法驱动业务应用落地的实战经验，曾获北京市亦城优秀人才、京东集团优秀人才、京东集团算法大牛、最美京东人、京东零售十大最具影响力专家等称号。目前清华MBA在读，担任清华产业创新俱乐部主席，对AI时代下的技术战略布局及团队管理有独到见解。

周默

京东零售平台营销中心

用户运营部算法架构师

京东集团11年工作经历，曾任京东商城技术中台基础算法部负责人、京东零售用户增长与运营部技术团队负责人、京东零售产研中心技术架构部算法总监，现任京东零售营销中心用户运营部首席架构师，拥有丰富的高可用工程架构以及算法驱动业务应用落地的实战经验，曾获北京市亦城优秀人才、京东集团优秀人才、京东集团算法大牛、最美京东人、京东零售十大最具影响力专家等称号。目前清华MBA在读，担任清华产业创新俱乐部主席，对AI时代下的技术战略布局及团队管理有独到见解。

待定

上下文工程 × 知识工程：京东零售用户运营团队的探索实践

1. 开场

1.1 背景：京东零售用户运营技术团队，两大核心项目 KOS 知识复利引擎、UMC OS 运营 AI 操作系统
1.2 核心痛点：智能体存在**记不住、找不到、留不下**问题，分为个体 Agent 跨会话遗忘、组织知识 / 专家难以查找两类场景
1.3 分享框架：概念概述、架构创新、产品落地、总结展望

2. 概念概述

2.1 上下文工程：面向单个智能体，系统性调度模型全部输入信息；范式演进：提示工程→RAG→Agent→上下文工程；解决长上下文失焦、跨会话遗忘、个体‑群体记忆割裂等问题
2.2 知识工程：面向组织，把隐性经验转为可复用知识资产；LLM 时代目标是产出智能体可调用结构化知识；解决找不到知识 / 专家、知识无法复利、知识易过时问题
2.3 两者关系：交汇点为记忆；上下文工程管智能体个体生命周期，知识工程管组织记忆沉淀

3 架构设计及创新

3.1 上下文工程 7 大模块（主链：感知‑记忆‑推理‑行动‑反思；协作横向贯穿，治理外环兜底）

3.1.1 感知：输入闸门，创新：语义级感知、感知即预记忆，信息入库即标记记忆周期
3.1.2 记忆（核心）：瞬时 / 短期 / 长期三级混合记忆；创新：艾宾浩斯遗忘曲线实现主动遗忘；个体隔离 + 群体共享记忆，兼顾数据隔离与经验复用
3.1.3 推理：任务规划决策；创新：PageIndex 推理式树索引，告别黑盒向量召回，实现逐层定位、逐句可溯源
3.1.4 行动：执行操作；创新：语义重放行动，对外写操作强制确认门，保证操作可控安全
3.1.5 反思：任务复盘沉淀；创新：在线执行蒸馏 + 离线 Dreaming 后台巡检，主动发现知识库缺口
3.1.6 协作：多 Agent / 人机 / 组织协同；创新：A2A 授权补全，缺口经授权在 Agent 间完成补全，结果回流群体记忆
3.1.7 治理：安全、一致性、可观测横切能力；创新：三问规约，约束跨端能力开发准入

3.2 KOS 知识工程飞轮

3.2.1 企业三类知识：静态代码资产、业务经验、研发专家经验（重点）
3.2.2 核心模式 P2A2K 双飞轮：由人找知识升级为 Agent 找知识，找不到自动定位专家，专家简单回复 AI 提纯后回流知识库
3.2.3 两项专利技术：①知识完备性诊断：知识单元测试 & CI，识别缺失 / 过时 / 矛盾 / 浅层四类缺陷；②知识自组织补全：知识供需市场做专家负载分配，A2A 补全坚持溯源引用、人工终审
3.2.4 KOS 四层架构：知识内核、P2A2K 引擎、完整性评估、多端插件；收益：知识获取效率提升 10 倍

4. UMC OS 产品落地

4.1 定位：面向运营的 AI Native 操作系统，Agent 作为系统内核而非附加功能
4.2 双端一体架构：本地端（实时交互）+ 同步器（一致性）+ 云端（7×24 小时任务）+ 健康机故障兜底；设计原则：桌面为权威、三端能力同源
4.3 核心差异化：双端无感路由、自动蒸馏记忆知识、网页录屏生成技能、结构化报告一键定稿、无人值守自动化工作流
4.4 现状：v0.1.7 早期版本；已落地多设备同步、多 Agent 协同等能力；正视踩坑问题，无核实数据不对外披露

5. 总结与展望

5.1 三条核心方法论

5.1.1 上下文工程 = 记忆的艺术：三级记忆 + 遗忘曲线，让智能体越用越懂业务
5.1.2 知识工程 = 复利的引擎：P2A2K 飞轮，系统主动补齐知识缺口
5.1.3 技术要产品化落地，交付给业务人员使用；三位一体：个体记忆 ↔ 组织知识飞轮 ↔ UMC OS

5.2 未来展望：组织级知识飞轮、群体智能体系迭代，优化遗忘曲线与 A2A 授权补全
5.3 结束语 + Q&A：点亮知识，让每一份专业经验都成为组织的生产力

杨晨琦

百度测试开发工程师

百度模型质效部测试开发工程师，四年测试开发经验，目前主要负责AI大模型产品的测试架构建设与测试智能化探索。主导百度文心一言调度系统测试体系从0到1搭建，完成31个下游子系统Mock服务收敛、多协议注册表适配、四层断言体系设计、AI辅助测试Skill化建设等核心工程实践。在掘金发表《测试开发是原始的Harness》《当我们讨论Harness的时候》等技术文章，聚焦AI测试开发与Harness工程交叉领域的实践与思考。

待定

别给 AI 一个大 Prompt 了——测试智能化的上下文工程实践

议题背景：
测试团队智能化过程中，普遍面临一个困境：积累了一些零碎的测试 Skill（断言规则、日志查询等），但实际工作仍需依赖一个"大 Prompt"把所有知识拼在一起交给 Agent。效果极不稳定——Agent 有时把服务 Bug 误改成测试预期，有时在大日志中丢失关键证据，有时遗漏断言格式硬约束。本质问题是上下文组织不当：该持久化的没有持久化，该按需加载的全部塞进初始上下文，该脚本化的高 token 操作全靠 Agent 自己消化。
本议题从上下文工程视角出发，分享一套测试能力的上下文工程实践：采用三层结构（持久上下文 + 项目总览 + 按需能力层），通过渐进式披露、上下文压缩、脚本化确定性操作等六大原则，将测试全链路拆解为12个模块化 Skill，让 Agent 在每一步只加载必要上下文，稳定完成从需求分析到 CR 交付的端到端流程。已在真实项目落地，测试环境搭建时间缩短95%，AI 辅助测试归因准确率显著提升。

内容大纲：
1. 从上下文工程看 AI 测试的5个痛点

1.1 用例预期来源不清——缺少持久上下文约束 Agent 行为
1.2 多数据面归因不稳定——上下文加载策略不当，关键信息被淹没
1.3 硬约束频繁遗漏——没有区分持久上下文和按需上下文
1.4 失败归因标准混乱——缺乏结构化的上下文路由
1.5 交付动作不可复现——确定性操作未从上下文中分离

2. 测试场景的上下文工程设计

2.1 三层结构：规则层（Always-Apply Rules）+ 项目总览（AGENT.md）+ 能力层（项目 Skills）
2.2 渐进式披露：默认最小必要上下文，遇到具体任务再加载详细内容
2.3 上下文压缩：脚本化高 token 操作，Agent 只消费结构化摘要
2.4 上下文路由：按测试生命周期拆分 Skill，每一步加载正确的能力
2.5 编排与细节解耦：编排层只管路由，细节由各 Skill 承载
2.6 可插拔演进：Skill 独立替换、扩展或下线，互不影响

3. 落地实践：12 个 Skill 的拆分与协作

3.1 全景图：从需求分析到 CR 交付的完整 Skill 链路
3.2 编排层设计：e2e-workflow 的路由逻辑与边界控制
3.3 核心 Skill 深入：result-analysis（失败归因）如何保护真实预期
3.4 辅助 Skill 设计：log-structure、assert-guide 等独立 Skill 的复用价值
3.5 脚本化决策：哪些操作适合脚本化（报告注入、日志查询、HTML 解析）
3.6 硬约束兜底：Always-Apply Rules 如何防止 Agent 突破红线

4. 验证与评估

4.1 单 Skill 重复测试：同一输入多次会话的稳定性验证
4.2 中间过程观察：Agent 的思考路径、工具选择和信息取舍
4.3 Token 消耗优化：脚本化高成本操作，Agent 只消费摘要
4.4 真实交付闭环：从需求进入到 CR 提交的完整链路验证

5. 可迁移经验与踩坑总结

5.1 结果归因的第一原则：不能为了测试通过改预期
5.2 Skill 维护的持续性：失败样本驱动迭代，而非一次写完
5.3 跨团队分发：源头知识与分发入口的分离设计
5.4 适用边界：上下文工程在什么场景下收益最大

听众收益：
1. 掌握测试场景的上下文工程设计方法：三层结构、渐进式披露、上下文压缩、上下文路由、编排解耦、可插拔演进六大原则，可直接应用于自己团队的 AI 测试能力建设
2. 理解12个测试 Skill 的拆分粒度与协作模式：通过具体的拆分案例，理解"拆多细合适、边界怎么定、编排怎么做"这些最实际的上下文组织决策
3. 学会评估 AI 测试能力的稳定性和效果：一套从单 Skill 测试到真实交付闭环的四层评估方法，帮助团队用可量化标准衡量上下文工程投入的实际收益

隰宗正

阿里云可观测技术专家

专注于可观测全栈研发、统一数据建模与 AI Agent 工程化，是 UModel（阿里云可观测数据建模模型）核心开发者。围绕日志、指标等多源异构数据，深度参与 UModel 语义模型、实体关系、映射规则和查询能力的架构设计与落地，推动从数据源发现、自动建模、关系推断，到计划生成、验证、发布及结果回写的端到端闭环。具备 UnifiedModel、STAROps等平台实践经验，持续探索大模型工具调用、人机协同、评测与状态追踪在企业级可观测场景中的应用，致力于将领域知识沉淀为可复用、可验证、可持续演进的智能能力。

待定

从数据驱动到建模驱动：UModel 如何让 AI 真正理解业务系统

议题背景：
随着微服务和云原生的普及，传统"Metrics-Traces-Logs"三支柱模式面临根本困境：从海量异构数据中反向推理系统状态是极其困难的逆向工程问题。阿里云可观测团队基于 6 年 AIOps 实践，提出 UModel——基于本体论思想的 IT 世界统一建模框架，融合数据、知识、行动三位一体，实现从"被动收集数据"到"主动建模世界"的范式迁移。UModel 已成功支撑阿里云可观测 2.0 产品体系，覆盖数十万企业客户，将故障定位效率提升 60%+，为 AI 智能体提供可推理、可交互的结构化上下文，让 AIOps 真正拥有了落地的土壤。

内容大纲：
1. 大模型时代的 AIOps 认知挑战

1.1 大模型带来的新应用形态与运维模式

从单体应用、分布式应用、云原生应用演进到 AI 应用，AI 应用可观测与智能运维成为新一轮可观测变革。

1.2 Agent 演化即将突破临界点

介绍 Workflow、ReAct、Orchestrator、Tools、Skills、Multi-Agent、Memory、Sandbox、长时任务等 Agent 关键能力。

1.3 通用大模型与运维领域知识之间的鸿沟

分析三类认知难题：运维领域的语义鸿沟、复杂系统拓扑的认知迷宫，以及根因分析过程中数据关联缺失导致的逻辑断链。
【霜键】UModel：构建AI时代的可观测模型.pptx (幻灯片 4)

2. 引入 UModel，统一描述可观测世界

2.1 通过统一模型构建系统“数字孪生”

以观测实体、实体关联和观测数据为基础，统一描述应用、数据库、容器、云资源、用户会话及其关系。

2.2 基于 UModel 重构可观测数据体系

介绍 CommonSchema、CommonSchemaRef、UModel PaaS、SPL 统一计算框架、实体存储计算引擎和关系存储计算引擎，以及 UModel Explorer、Entity Explorer、Data Explorer 和 UModel MCP。

2.3 UModel Explorer 与全局实体拓扑

展示基于统一模型形成的全局实体拓扑，以及从实体视角探索系统资源和关系的方式。

2.4 基于实体拓扑进行问题排查

展示从异常实体出发，沿系统拓扑查看上下游关系、关联数据和影响范围的排查过程。

2.5 以图为中心的 UModel 建模概念

介绍 EntitySet、TelemetryDataSet、LogSet、MetricSet、TraceSet、Storage，以及 EntitySetLink、DataLink、StorageLink。

2.6 UModel 架构全景与应用示例

说明模型层、存储层和可观测应用之间的关系，以及实体、日志、指标、链路、事件、变更和代码仓库如何共同支撑故障定位。

3. EntityStore 与多源数据融合查询

3.1 EntityStore 整体架构

介绍 Put & Pull、FIFO Queue、Scheduler、EntityStore Worker，以及行存、列存、MCSR、时间与 ID 索引、全文索引、向量索引等能力。

3.2 多查询引擎与数据管理

通过 SPL、Cypher、PromQL 支撑不同查询方式，并提供 Quota、Cache、Retention、Compaction 等数据管理能力。

3.3 图逻辑模型与图存储查询

对比递归 SQL 与 Cypher 图查询，展示后代节点查询、技能关系查询和多跳路径查询。

3.4 日志、指标、事件与拓扑的融合查询

展示从错误日志提取 IP 并关联指标进行异常检测、从告警实体查询五跳范围内事件，以及将动态构建的外部图与 EntityStore 图进行合并查询。

4. UModel PaaS 数据模型与接口能力

4.1 Tabular 与 Objective 两种数据模型

Tabular 模式面向 EntitySet、LogSet、MetricSet、TraceSet 等数据集合；Objective 模式以 Service、Host、DB 等实体对象为中心组织数据。

4.2 Tabular 查询与面向对象调用

展示 MetricSet 的表式查询，以及通过 .entity_set | entity-call 调用实体方法、发现可用能力的方式。

4.3 从实体访问关联数据

通过 list_data_set 获取实体关联的数据集，通过 get_golden_metrics 获取实体黄金指标；PPT 同时展示了对象化调用展开后约 6K 的底层查询内容。

4.4 UModel PaaS 功能集合

包括实体和相邻实体查询、指标与 Label 查询、日志与 Trace 查询、关系黄金指标、知识检索、观测执行和行动执行。

4.5 UModel 知识结构

以“图模型＋分层”的方式组织领域模型、实体关系、观测数据和知识能力。

5. 基于 UModel 重构智能运维场景

5.1 智能运维助手的能力版图

覆盖日志分析、应用分析、指标分析、可视化增强、智能告警、根因洞察和智能巡检，并结合异常检测、根因分析、智能预测、自然语言处理和通用算子。

5.2 统一接入多类可观测数据

面向日志、指标、链路、事件、剖析数据和实体拓扑构建统一的智能运维入口。

5.3 智能运维助手实际示例

展示自然语言交互、多轮对话、全场景嵌入、上下文感知、拓扑分析和指标联动，并强调依托内置算法支持亿级可观测数据查询分析。

听众收益：
1. 理解大模型应用于 AIOps 时面临的语义、拓扑和根因链路三类认知问题，以及 UModel 如何用实体、数据和关系进行统一建模。
2. 了解 UModel 从模型定义、EntityStore、图查询、数据融合到 PaaS 对象化接口的完整技术架构。
3.了解统一模型如何连接日志、指标、链路、事件、知识和行动，并支撑智能告警、根因分析和智能巡检等 AIOps 场景。

朱怡诺

中兴通讯数据研发中心知识工程负责人

中兴通讯数据研发中心知识工程负责人，研发教练，从事AI+研发过程改进工作，负责端到端知识工程和智能体网络规划设计与落地。曾从0-1设计落地一站式研发管理平台，在AI+软件研发生产力工具、知识工程领域有丰富的企业级实践经验。

待定

知识管理与智能推荐实践

议题背景：
背景：企业面临严重“知识孤岛”，跨中心关联断层，且现有图谱工具呈“黑盒”难治理，智能体调用动态知识易生幻觉，导致知识难以有效复用。
技术方案：为此，我们提出“拉通-管理-校准”三级方案：以构建中心内外多维关联图谱为基础，以支持可视化、度量与编辑的管理系统为保障，以嵌入智能体的推荐校准引擎为价值放大器。
关键实现与避坑在于：摒弃“只建不管”，通过度量与人工编辑实现人在回路；针对AI幻觉，创新“动态解析+静态锚定”机制，用已审核的静态精准知识去校准碎片化的动态知识。
落地效果与结论：该方案彻底打通知识链路实现量化闭环治理，有效消除了智能体幻觉，验证了“图谱约束AI生成”的最佳实践路径。

内容大纲：
1. 全景推演：以实体视角重构脉络，避坑“全量关联”导致的性能崩溃，聚焦Top高优节点。
2. 知识拉通：横向深耕中心内业务深度关联，纵向突破跨组织/项目知识孤岛，攻克跨域本体对齐难题。
3. 知识管理：提供可视化编辑工具，构建质量指标度量闭环，终结图谱“黑盒”与“只建不管”乱象。
4. 推荐校准（亮点）：首创“动态解析+静态锚定”引擎，用确定图谱约束Agent动态知识幻觉，嵌入流程实现精准消费。
5. 量化收益：核心产品知识成熟度跃升，多项目特性采纳率与有效率大幅提升，实现知识高复用。

听众收益：
1. 破解知识图谱“建完即废”的工程化治理方案
收益点：带走一套从“黑盒”到“白盒”的知识管理闭环架构。
解析：资深同行都知道图谱“建容易管难”。本分享将重点拆解如何设计可量化的度量指标体系（而非凭感觉），以及如何低成本实现 “人在回路”的干预机制，解决图谱关系衰减和质量失控的工程顽疾。
2. 获得一种约束大模型/智能体“幻觉”的实战架构
收益点：掌握“静态精准知识兜底动态碎片知识”的校准引擎设计思路。
解析：纯RAG或纯Agent在处理动态知识时极易产生幻觉。听众可借鉴我们如何在智能体调用链路中嵌入“校准器”，用确定性的知识模型关系去锚定和约束非确定性的AI生成内容，大幅提升复杂场景下AI回答的企业级可用度。

邓传斌

中兴通讯专家级工程师

中兴通讯系统产品工程力团队专家级工程师，目前主要负责系统产品以 Agent 为中心的知识工程服务平台的研究、设计、开发和布道，包括 AI 本体论驱动的元知识结构设计与演化、以 Agent 决策为中心的消费库设计，及知识冷启动、精准消费和知识再生等全链路治理，保障 4G/5G 存量系统高效构建可被 Agent 消费的垂域知识体系，驱动"知识资产化→资产服务化→服务自进化"飞轮，实现向 Agent 精准知识供给。自从2018年以来主要从事人工智能技术向无线通信网转化相关的研究，发布使用Coverity告警智能分析系统、代码智能评审系统、智能复盘系统等多个研发提效产品。

待定

如何构建以Agent决策为中心的知识服务平台

议题背景：
随着大模型能力趋近成熟，AI 向垂域落地的关键瓶颈已从"模型能力不足"转向"知识供给不足"—Agent 在专业场景下的任务完成率，本质上取决于能否获得结构化、可消费、可持续进化的垂域知识。围绕这一矛盾，本实践在系统梳理 Palantir 等本体模型落地经验的基础上，针对垂域研发中知识更新快、隐性知识多、责任链路复杂等新挑战，提出一套以元知识结构为纲、消费库为载体的知识建模与管理方法： 1. 以 Agent 为中心重塑知识结构：通过知识编译，把以人为中心的知识组织形式转化为以 Agent 为中心的组织形式，并在每条知识中嵌入元信息，显式定义其依赖关系、消费对象与责任主体。 2. 按需消费、精准供给：对外提供知识检索接口，支持按场景精准拉取并动态组装到上下文，让 Agent 在推理时只取所需。 3. 闭环进化：通过知识自动回流与隐性知识挖掘实现知识再生，最终打通"知识资产化 → 资产服务化 → 服务自进化"闭环。
六大避坑经验：元知识先最小可用集跑通再演进；混合存储按"场景-范式-存储"路由；冷启动先转起来再补全；回流像点餐，流程不补走不通；Skill 调优用数据说话，不靠拍脑袋；隐性知识靠"比"而非"问"。
该实践已经在公司内部研发提效场景全面推广，需求分析、方案设计、开发、测试设计和测试生成等研发场景的知识完备性、知识消费能力和知识新鲜度达到工业级Agent消费的诉求，主力AI生成采纳率得到极大提升。

内容大纲：
1. 核心命题：大模型时代，知识供给才是 Agent 落地的真正瓶颈

核心矛盾已经由“大模型能力不足”转变成“知识供给不足”，引出知识工程的必要性
1.1 能力拐点已过，知识成为新瓶颈
1.2 垂域落地的三大挑战:不统一 / 查不准 / 未盘活

2. 知识工程总体设计

2.1 以 Agent 决策为中心的知识库建设框架

介绍以Agent决策为中心的知识库建设总体思路和框架，数字化是智能化的基础，需要首先进行知识资产的数字化，数字化过程包含知识建模、知识库设计、知识冷启动和知识完整度评估等过程。知识资产化之后需要对知识进行服务化，可以被Agent准确的消费，在此会讲解精准检索、语义检索和探索检索三种检索实现方式以及他们应对的场景，在探索检索方面会详细介绍双层语义空间技术提升query和被查询知识的语义gap问题。在此过程中还会讲到为了提升大模型对知识的消费透明度，引入知识本地消费区的实现方式。实现知识即服务(KaaS)后，会重点讲解如何结果知识活性问题，也就是实现知识再生，知识再生包含两层含义，首先是事实性增量知识的及时回流，也就是在Agent进行知识加工过程中产生的新知识需要及时回流到存量知识体系中，做到“活文档”；其次是程序性知识的自进化，包含skill的自进化和隐性知识的挖掘相关技术。

2.2 五层知识架构:数据层 → 逻辑层 → 行为层 → 轨迹层 → 消费层
2.3 建设流程:从 0 到 1 启动一个垂域知识工程

介绍新的项目如何进行知识工程建设

3.知识建模与冷启动

3.1 元知识结构设计(基于 AI 本体论)

介绍以AI本体论为基础的知识建模实践过程以及对知识库按照数据层、逻辑层、行为层、轨迹层分层建设的方法，如何实现数据层→ 逻辑层→ 行为层→ 轨迹层的闭环。

3.2 知识库设计：物理选型 + 一键构建 + 一键安装到主流 Agent Core

介绍知识库物理设计的选择，知识库结构如何一键构建以及如何一键安装到主流Agent Core中，比如CC、CoSight等

3.3 知识冷启动：零散知识到结构化知识

知识冷启动也就是知识库内容的补充，重点讲解如何将零散的领域知识按照知识模型的组织要求进行知识结构的重构

3.4 知识度量：完备度 / 消费能力 / 新鲜度三维指标体系

从知识完备度、知识消费能力和知识新鲜度三个维度设计知识度量指标实现知识全生命周期的度量，并指引改进。

4. 事实性知识：消费与回流

4.1 消费与回流的通用化设计

讲解知识消费和回流的实现方式和通用化设计思路

4.2 检索能力突破：双层语义空间技术(创新点)

主要讲解如何提升知识检索的查全率和查准率，重点讲解提升Query和被检索知识之间的语义gap相关的双层语义空间技术，本技术是创新技术，解决了业界知识查准率低的问题。

4.3 知识回流：让"活文档"真正活起来

详细讲解知识回流的实现方式，实现Agent利用存量知识进行研发活动过程中产生的新的增量知识及时回流到知识库，做到“活文档”的效果。

4.4 研发全域分支管理：需求/方案/测试/代码的同步治理

知识工程在垂域落地时要对之前的知识管理方式进行变革，特别是需求域、方案域和测试域的知识需要与代码域的知识保持分支同步，因此本节重点讲解研发全域知识管理方式，保证研发全域的上下游知识是对齐的。

5. 程序性知识进化与隐性知识挖掘

5.1 进化范式：两种范式 + 三种策略

总结业界进化的两种范式，根据两种范式演化出的三种进化策略

5.2 进化实现：从原子能力到通用平台，让进化能力可以"被进化"

业界都在研究进化的原子能力，我们也实现了SOTA的进化效果，但在此次讲解中会进行一些思维的转变，重点突出实现通用进化平台的必要性和效果，实现进化能力涌现的生态，在聚焦进化原子能力提升的同时打造通用化平台，标准化输入与输出，让不同的进化原子能力可以快速接入平台，实现进化能力的涌现，可根据进行原子能力的各自的专长进行横向融合，实现进化能力也可以得到进化的效果。

5.3 隐性知识挖掘：不靠"问"，靠"比"(一种通过大模型让隐性知识显性化的新方法)

上面都在讲如何将领域知识组织成有利于Agent消费的知识，但还存在一些未被显性化的知识，这些知识无法被知识库管理，通过询问的方式很难将其显性化，因此我们实现了一种通过大模型进行隐性知识显性化的技术，这个技术不是通过“询问”而是通过“比较”实现隐性知识显性化。本节会重点讲解此技术的原理和实现方法和效果。

6. 知识资产管理:以 Agent 为中心的统一治理
7. 总结：知识工程的下一站
—— 留给听众的一个开放问题或一个行业判断

听众收益：
1. 洞见：知识供给是制约大模型向垂域应用的关键要素；
2. 面对研发领域这种规范性程度不高、数字资产沉淀有限的领域如何构建以Agent决策为中心的知识库，达到ROI的平衡；
3. 围绕提升Agent的知识消费水平，应该如何选择知识库的结构和存储形式，如何提升知识检索准确率，特别是如何降低用户query和知识库知识语义gap问题；
4. 在Agent进行研发活动的过程中，产生的新知识如何及时的回流，如何应对多样化的应用场景的差异，应该如何保证回流知识的信新鲜度和质量；
5. 对skill的进化能力提升提供了一种新的思路，在注重进化原子能力构建的同时如何建立一个可共用的进化生态；
6. 如何使用大模型挖掘领域的隐性知识，如何提升隐性知识的泛化程度。