《FDE案例100》方法论特辑 · No.07｜把老师傅的经验变成 AI 能用的知识

把文档丢进去，不算做完#

这个案例里，FDE 做了一件很多人会跳过的事：他先没急着处理知识，而是先找到主管，把生产线和新人的培训流程梳理出来，统计新人最常问的问题、最容易反复出错的知识点、哪些属于只有老师傅才掌握的隐性经验——最后把这些整理成一张知识地图。

地图有了，才轮到知识处理。企业已有的文档先导入，再做文档解析、RAG。

但接下来这句话，我觉得每个做知识库的人都该抄下来：

“这里很容易出现一个误区，觉得把文档扔进去，AI 能回答问题，知识库就算做完了。我没有按这个标准验收。”

他不用“能不能回答”来验收。他用的是更硬的东西——前期调研时统计出来的那些高频问题，直接变成后面的测试集。当时的标准是：文档解析达到大约 95%，问题召回片段的准确率达到 80% 以上，在一个最小范围的测试里达标，才认为技术路径初步跑通了。

你看，这就是 FDE 和纯技术开发的区别。前期发现的问题，最后一定要回到这些问题上验证。 测试集不是凭空造的，它是从业务现场捞出来的。

隐性经验怎么“外化”#

那“什么时候不能照标准答案执行”这种判断，到底怎么变成 AI 能用的东西？

我翻了几个案例，发现做法惊人地一致——跟懂业务的人一起，把他的思考过程拆出来。

诉讼律师那个案例，团队投入大量时间和优秀律师一起工作，观察他们怎么判断。最后梳理出律师常用的思维框架，比如请求权基础分析的“三层四步法”、证据链构建的逻辑规则，再把这些框架转化成系统可以执行的流程节点。AI 就能按律师的专业思考方式组织信息，而不是随便输出一堆看起来像法条的东西。

国企那个案例更直接，他们专门设了一个角色，叫知识萃取师。

注意，这跟传统咨询不一样。传统咨询往往有行业案例和成熟模板，可以拿一套现成方法去判断客户该在哪儿提效。但知识萃取师要做的是——把客户自己脑子里的知识真正挖出来。 因为企业最了解自己的业务，外面的人就算懂这个行业，也未必知道这家公司为什么这么做。

所以他们要求业务人员把原来的工作过程讲出来：到底怎么做、为什么这么做、哪些情况是例外、什么情况下必须人工判断。这个过程，本质上是在给 AI 准备“业务世界”。

把人的经验变成企业的数据资产#

制造业报价那个案例，把这件事讲得最透。

这家企业做非标制造，一张图纸进来，要判断用什么材料、什么工艺、成本多少、怎么报价。过去全靠老师傅的经验，一个零部件为什么这么报价，都写在他脑子里。

AI 介入之后，他们做了一件关键的事：让模型先只负责把图纸信息结构化，报价环节再回到企业自己的物料库、供应商体系和报价规则里去匹配，每一单都经过人工校准才对外输出。

而那些人工校准的动作，没有被浪费——AI 第一次给出的结果不一定对，业务人员改完，这次修改就被回填进数据、向量数据库或者相关模型里。

这就形成了一个数据飞轮：AI 生成 → 人工校准 → 数据回填 → 下一次更好。

再看本地生活内容生产那个案例。运营人员本来凭经验写文案，团队把他们的经验拆成明确的输入字段：客户是谁、门店什么类型、主推什么菜品、有什么活动、想突出什么卖点、想要什么内容方向。一个优秀运营脑子里的经验，就这样变成了系统可以调用的业务逻辑。

那位 FDE 还点破了一个现象：AI 味从哪来？很大程度上来自固定范式——给 AI 一套固定模板让它不停模仿。单个案例里可能管用，但面对不同商户、不同题材，就机械重复了。真正的解法，是把这家公司自己的判断标准沉淀下来。

为什么一定要沉淀成“企业的”资产#

我特别想强调一个视角的转变。

在德国那个案例里，FDE 说他做的事“比传统培训改 AI 培训更进一步，是在重新分配人在培训流程里的作用”。老师傅过去的角色是重复回答所有问题，现在变成了关注新人学习进度、处理更复杂的问题。

而在报价那个案例里，变化更彻底：原来一门高度依赖少数老师傅的报价能力，开始变成企业可以复用的能力。

经验握在个人手里，是个人资产；沉淀进系统，才是企业资产。 这两者的价值，差着好几个数量级。

一句话总结#

知识库不是把文档丢进去，而是把“什么时候不能照标准答案执行”的判断，一条条挖出来、结构化、再沉淀成企业的资产。

这是《FDE案例100》方法论特辑的第 7 篇，也是“构建”这一辑的第二篇。下一篇，我们聊一个同样容易做错、但方向相反的问题：大模型、专业工具、人，这三者到底该怎么分工——为什么说分工比模型重要。