12月20日，在华尔街见闻和中欧外洋工商学院蚁集主理的「Alpha峰会」上，金山办公助理总裁、资深时期群众朱熠锷发表题为《WPS AI:迈向更高质料的常识增强生成》的演讲。
他暗意，现时AI应用的中枢挑战一经从模子能力的竞争，转向若何高效诈欺企业私域数据。模子能力的趋同，意味着其本人难以造成掌握上风。
他强调，信得过决定AI应用价值的要道，在于将企业内无数复杂、非结构化的文档数据，挪动为高质料、可被模子默契的常识钞票。传统RAG靠近“文档未便是常识”以及“语义相似未便是逻辑关系”的根底局限，因此必须激动时期范式从“以模子为中心”升级为“以数据/常识为中心”。
他强调，将来的旅途是发展“KAG（Knowledge Augmented Generation，常识增强生成）”。这要求企业像不断数据雷同，系统性地对常识进行治理、建模与应用。具体而言，需要通过VLM、常识图谱等时期，和会多模态、多结构化的常识，并构建“数据湖”与“常识湖”双湖并重的架构。最终联想是让AI信得过“掌捏”而非只是“看到”企业常识，从而在专科限制问答、智能写稿与合规创作等场景中阐发可靠价值，完成从数字化到智能化的要道高出。
以下为演讲精彩不雅点：
企业AI应用正从“以模子为中心”转向“以数据为中心”。数据质料成为决定AI应用后果的要道。WPS AI以常识增强生成（Knowledge-Augmented Generation）为联想，匡助大模子信得过“掌捏”企业的常识钞票。
要像不断数据雷同不断常识。将数据与常识挪动为AI可用的钞票，是企业从数字化迈向智能化的基石。DATA 2.0期间，企业要像不断数据雷同不断常识，WPS 365通过常识建模、常识治理与多模态和会，为企业构建专属的“企业大脑”。
高质料的输出，必须始于高质料的输入。要是输入的是芜杂、冲突的原始数据，不管模子多浩瀚，产出的舍弃都不可靠。因此，常识治理是AI在专科限制落地的基石，其伏击性将卓越算法优化本人。
AI的专科化应用是一场“常识工程”，而非省略的时期集成。从合规阐发撰写到精确信息抽取，其骨子都是将专科限制常识系统化、结构化的过程。谁能最初完成自身常识钞票的升级，谁就能在AI期间竖立信得过的竞争上风。
信得过的智能不是“看到”文档，而是“默契”逻辑。现时主流的AI应用（如RAG）因“语义相似未便是逻辑关系”而遭受瓶颈。信得过的冲破在于和会常识图谱、业务公法等多源常识，让AI能进行逻辑推理与精确恢复，从而解锁专考场景的价值。
以下是华尔街见闻整理的精华内容：
大模子之后，信得过的瓶颈是什么？现时一个要道的共鸣是，前沿大模子的概括智能在常识储备与逻辑默契上已卓越盛大职工，且模子能力趋同，难以掌握。那么，中枢问题便转向了：大模子如安在实践应用中阐发信得过的价值？
咱们的谜底是：必须与外部数据，尤其是企业私域数据深度伙同。但以“文档”口头存在的数据本人未便是“常识”，是由于企业海量的文档（翰墨、表格、PDF等）存在才略复杂、组织芜杂、内容矛盾等“先天不及”。一份文档中，未休年假折算比例可能是200%，另一份却是300%；一份法例要求存储六个月数据，另一份则说只保留必要数据。这些冲突不处置，AI的输出就不可靠。
更深化的挑战在于主流时期范式。现时豪迈应用的RAG（检索增强生成）时期，其中枢是“向量相似度检索”。这带来了一个根人性局限：语义相似，未便是逻辑关系。举例，问“札记本电脑开不了机何如办”，系统可能调回一篇注重先容“MacBook Pro 14寸”规格的文档（语义相似），却错过了信得过处置问题但未说起“札记本”三个字的故障排查指南（逻辑关系）。这导致很多AI应用“出Demo惊艳，上坐蓐艰难”。
从RAG到KAG，构建“常识增强生成”新范式为了冲破这些瓶颈，咱们建议必须从RAG演进到KAG（Knowledge Augmented Generation，常识增强生成）。这不是省略的优化，而是一次范式挪动。其中枢不雅点有两个：
一是高质料输入才有高质料输出。常识必须先经过治理，处置冲突、补王人缺失、竖立结构。
二是必须系统性和会多模态、多结构的常识钞票。不可只检索文档，还要和会企业已有的常识图谱、结构化标签、经过SOP等，为AI生成提供高质料输入。
基于此，咱们联想了一个双层架构。底层是“常识治理层”，认真文档领悟、常识抽取、图谱构建与质料监控；表层是“常识应用层”，它多源和会检索引擎、动态排序模块、凹凸文工程体系为中枢组件，构建概况赋能种种专考场景的常识基座。
在四个要道场景中落地KAG基于KAG架构，咱们研发了智能文档库居品，并聚焦于四个中枢场景：
第一，常识治理。 咱们通过自动化的常识抽取与图谱构建，匡助客户发现文档库中的重迭内容、逻辑冲突和常识缺失。举例，系统不错自动标出对于年假折算比例的两个冲突版块，或指出一个“IT解救”常识库还枯竭“打印机运行装置”的要道章节，扶持不断员进行有联想和优化。
第二，专科智能问答。在和会了私域文档图谱与行业法例、SOP等结构化常识后，咱们的问答系统能处理复杂的专科查询。举例，用户不错问：“在浙江省，坐蓐某种特定粒径的原料药，是否不错使用X身分？请仅依据2025年的法则。”系统能精确领悟所在、身分、年份等多个箝制条件，并给出精确谜底。
第三，复短文档的智能抽取。咱们针对医疗阐发、协议、发票中常见的复杂表格、复选框、手写体等进行了专项优化。一家医药客户诈欺此功能，将药物不良反映阐发的邮件附件自动领悟、抽取要道字段，并回填至客户的药物不断系统，将蓝本东说念主工处理需数小时的使命镌汰到几分钟。
第四，专科限制的智能写稿。这不同于写请假条，而是撰写有严格才略与数据援用精确要求的行业阐发（如临床筹商阐发CSR）。咱们通过两个智能体（Agent）协同使命：一个认真证据范例和法例生成包含大纲、数据需求的“智能模板”；另一个则依据模板，从海量实验数据中精确定位、无损援用所需的数据和表格，最终身成才略合规、数据准确的专科阐发，将撰写周期从数周大幅镌汰。
像不断数据雷同不断常识终末，我念念作念一个归来。从RAG到Graph RAG再到KAG，是一个从“让大模子看到文档”，到“默契文档间逻辑”，再到“信得过掌捏企业常识钞票”的升级。
咱们合计，在智能化期间，企业需要构建 “数据湖”与“常识湖”双湖并重 的新架构。将来，企业不仅要积聚原始数据，更要像曩昔不断数据雷同，系统地进行常识运营、常识建模和常识治理。这，将是企业从数字化迈向智能化的要道基石，亦然AI在专科限制阐发信得过提效作用的必经之路。
风险指示及免责要求 市集有风险，投资需严慎。本文不组成个东说念主投资建议，也未研究到个别用户格外的投资联想、财务情景或需要。用户应试虑本文中的任何想法、不雅点或论断是否相宜其特定情景。据此投资，包袱酣畅。