2025 年，，DeepSeek 带火 “大模型 + RAG” 模式后
，，
，很多领先的企业发现，，虽然已经做了数据治理，，
，，但是大部分企业的数据基础还并不能达到 AI运用所提出的新要求，，
，无法有效支撑AI的高价值场景落地
。。
。。因此，，，，面对AI应用落地的需求，，，，企业做数据治理时，，
，需要叠加知识治理，，，为企业决策提供充足有效的数据与知识来展开，
，
，，为AI提供“高营养含量的粮食”。。。
。

AI 建设方式的转变后对企业私域数据的治理要求也变了。
。去年的核心是 “为模型训练准备数据”：垂类模型依赖高质量的专属数据集，，，，数据治理聚焦结构化数据的准确性、、完整性、、
、、多样性。。而今年转向了“为检索准备多样化的知识”。。。很多企业卡在三个痛点 ：

企业里大部分数据是文档
、、、视频、、、IoT 日志这类非结构化数据，，
，，但很多企业还在用 “文件夹分类” 的老办法管理。
。。比如一家制造企业，，，大量设备维修手册散在不同系统，，有的是 PDF 扫描件，，，有的是 Word 草稿，，，AI 检索时要么 “读不懂” 扫描件的手写批注
，，
，要么分不清不同版本的差异。。
。。

更头疼的是，
，，这些知识还在不断增加：每月新增合同、
、、客服聊天记录等，，，
，却没人 管 “哪些该归档”“哪些要标注关键信息”
。。
。。这些 “躺平” 的知识，，
，，其实是企业的 “隐形资产”，，，，却因为没治理，，，变成了 AI 检索的 “负担”
。。
。

就算非结构化数据整理了，，，AI 检索还是不准，，问题可能出在 “切片” 和 “召回” 上。
。比如某金融企业，，，把一份信贷政策文档 “一刀切” 分成多段，，，
，结果 AI 要找特定条款时
，
，相关内容被拆在多个切片里，，召回时只抓到部分，，自然给不出准确建议。。。
。

这就是“缺乏标准化的切片与召回机制”
：有的切片太粗，，把不同主题混在一起
；有的切片太细，，，，破坏了知识的逻辑关联；召回算法只认 “关键词匹配”，，不会理解 “同义词”—— 比如 “逾期客户” 和 “不良信用客户” 明明是一回事，
，
，，AI 却当成两个概念。。明明有知识，，，，AI 却 “不会用”
，，比没知识更让人着急。。。

知识的质量把关没跟上，，，导致知识的时效性、、准确性、、、、权威性无法校验。。。

很多企业没有明确的规则：谁来负责知识的 “更新时间标注”？？？如何验证知识的 “准确性”？
？？过时的知识怎么及时下架
？
？
？结果就是 AI 基于 “带病知识” 输出建议，，，管理层如果用错了，，损失将不可估量 。。

在面向企业AI应用落地需求下的数据治理，
，并不是简单的 “换工具”那么简单，，，
，而是要 “换逻辑”。。。
。数据治理有三个核心转向
：

去年很多企业做数据治理，，，
，是为了训练垂类模型，，，，重点是 “数据准不准”
。。。。但如今，，，
，治理目标变成了 “让 AI 能给出可靠的决策建议”。。。
。 比如销售经理问 “这个客户该不该推高客单价产品”，，，，AI 要能快速检索到 “客户历史消费、、、、信用评级、、、、服务反馈” 等知识，，给出有依据的建议
。。。。简单说
，，，
，过去是 “为模型准备数据”，，，，现在是 “为决策准备知识”
。。。。

过去数据治理的重点是 ERP
、、CRM 里的结构化数据（比如客户姓名、、订单金额）
，，但今年必须覆盖 “全类型知识”：合同、、、规范等 文档；设备运行、、、系统操作等日志 ；施工照片、、、、产品图纸等影像。。治理的核心也从 “标准化数据” 变成 “激活知识”：把扫描件里的文字 “读出来”
，
，，，把视频里的关键步骤 “标出来”
，，把分散在不同系统的知识 “连起来”，，，就像把散落的珍珠串成项链，，AI 才能 “拎得动”。。

过去很多企业做数据治理
，，是 “搞项目”：找个团队集中一段时间整理数据
，，，，项目结束就停了。
。。但如今，，，
，知识每天都在新增
、
、、、变化
，，比如新的行业规范出台、、、客户需求更新
，，，治理必须 “跟着业务走”。。

这就需要 “自动化工具 + 长期组织”
。。。领玩建议可以用 DataOps 工具自动同步新数据
，，，用智能体定期检查知识质量，，，，再成立专门的 “知识治理小组” 负责规则制定、、、问题整改
。
。

数据与知识是数智化的核心生产要素，，，，企业需要构建统一的数据平台，，，整合分散在企业各处的数据与知识，，，，通过清洗、、、、标注、、、建模或者图谱化、、向量化等过程，，，，形成标准化、、高质量的数据资产与知识，，，为精准决策、
、
、、智能运营提供支持，，面向AI提供高质量的数据与知识的供给。
。。这些都需要企业加强与更好地开展数据治理与知识治理。
。。
。

针对非结构化知识 “躺平”，，，，领玩的核心是 “先整合
，
，再赋能”
：

全类型知识接入：领玩 BIP 的 “企业数据云”，
，， 作为底层支撑，
，，，汇聚了企业业务大数据、、企业知识资产数据以及用户行为数据
，
，，
，为上层模型 和应用提供丰富且关键的数据源。。
。
。

YonGPT 模型矩阵支撑
：YonGPT2.0 升级的模型矩阵里，，，，有专门的多模态大模型，，可以低成本的选择适合企业场景的模型。。友智库基于YonGPT构建的 企业级数智化搜索平台 ，，，聚焦企业知识管理与智能搜索场景
，，可支持非结构化数据的搜、、、问
、
、、、推
、
、创等知识库场景。。提供“沉浸式”对话交互体验，，助力企业快速获取行业、、、
、领域及内部知识资产。。。

友智库让知识无处不在

针对切片乱
、、、召回难，，，，领玩的 RAG 框架做了 “专项优化”：知识切片不是 “一刀切”，，而是按 “知识逻辑” 切。。。 比如一份合同，，会按 “合同主体、
、、
、权利义务、、违约责任” 分成对应切片，，表格数据单独做 “结构化处理”
，
，避免关键信息被拆；基于企业私域的知识库
、、、、知识图谱，，将知识嵌入业务。。。。企业级数据与知识库的深度整合，，将企业内部的业务数据和专家经验转化为知识形式，
，，通过实体、、、、关系和属 性的定义，，通过知识图谱构建一个结构化的知识网络。。。在这个网络中，，
，企业的产品信息
、、客户数据、、、业务流程等 元素相互关联，，，，为 AI 模型提供了一个全面且语义丰富的知识基础。
。。。

针对知识质量没保障，，
，领玩、
、、认为必须有相应的组织来长期负责数据与知识的运营，，，从制度、
、、 流程以及内部沟通的流畅性方面保障数据与知识治理工作。。
。这一组织体系应明确职责划分
、、、促进跨部门协作
、、具备专业实力，，，并持续寻求改进，，，
，以支撑企业的数据与知识管理活动。。

为了保证知识问答的准确性
，，，，领玩RAG框架在文档解析、、文档AI检索召回策略上做了深度优化，，支持针对不同非结构化文档进行快速索引，，，根据业务知识库规范构建业务标签
，
，，利用知识图谱实现知识的关联化和体系化，，，最大限度的提升知识问答的准确性，，，，以确保能在项目商用过程中切实为客户赋能。。

       

       

       

       

       

       

       

       

       

       

       

       

       

       

       

电子书下载