学习手册目录展开

四、知识萃取应用：AI 增强知识管理 / 【1】厘清概念，解构AI资产全景

1. 从经验到 AI 资产的过程是怎样？第一步如何开始？

原创

作者：程老师发布于 2026/10/12

我发现大家在将专业知识、方法论或服务流程转化成 AI 资产时，有非常多的问题。今天我用最通俗的干货，带大家一次性了解这个过程，没有工程代码，这次先让 AI 来回答。

难度: 初级
用时: 约 10 分钟

适合应用

对知识萃取方法感兴趣
希望学习 AI 工具进行知识萃取
希望构建自己的 AI 资产

一、就用这个“知识萃取与资产定位”问题，提问 AI 工具

我这次使用了6个模型，分别是 DeepSeek 最新模型，Kimi 快速模型，豆包 AI 专家模型，Gemini 3，ChatGPT 6模型，没有用 Agent 工具。

提问prompt：

我有一套专业方法或项目经验，请先帮我做知识萃取，并判断适合沉淀成什么类型的 AI 资产。

这个指令看上去是一句简单要求，本质上却是一个高度结构化的“元认知（Meta-cognition）”指令。在下文有说明这个指令逻辑。

二、5 大 AI 模型来答疑“知识萃取与资产定位”

模型说明：kimi我不是订阅用户(订阅用户当前是kimi3)，只能选择快速模型，豆包选择了专家模型，gemini选择的非订阅用户的gemini 3（订阅用户当前是gemini 3.6)，ChatGPT选择的是gpt 6模型（当前最强模型）

测试完成后我在 6 个维度做了对比（是用gemini 3.6总结的）：

DeepSeek典型技术员，gpt 6 刚刚在10月7日更新智能界面这一新功能，让 ChatGPT 能以完全可交互的用户界面快速作答，在这个测试里完全体现出来了（见下面有截图）。

截屏2026-10-12 上午12.52.02

三、从知识萃取到AI资产，从方法到执行，各有千秋

回答这个问题，每个模型都有其重要的知识点，我把原回答都截图这里，附上解释，建议大家可以去大模型里提问实操一次。

1. 知识萃取第一步，需要做一个知识拆解架构

来源：DeepSeek

特点：极其看重规则逻辑与结构化。它给出了高达 6 层的知识拆解架构（场景、框架、流程、规则、案例、资产）。

截屏2026-10-12 11.01.37

除了告诉我哪些知识特征适合什么 AI 资产，这里列举的已经非常详细了，这些就是典型的 AI 资产。如下图：
截屏2026-10-12 11.01.54

还给了一个模版有详尽的 11 项要素，极具技术工程的严肃性。

截屏2026-10-12 11.02.23

2. 用"最小可行资产"来审视这个问题

来源：KIMI

特点：非常注重成本与 ROI，kimi 更接近是一个产品经理的视角，而上面deepseek时一个严谨的工程师。
自创了从 L0 到 L5 的自动化与维护成本分级模型，并给出了实用性极高的 MVP 组合（一页 SOP + 一个 Prompt + 3 条反例 + 一份验收标准），接地气且极具落地感。

截屏2026-10-12 11.27.33

截屏2026-10-12 11.27.48

3. 将 AI 资产应用与场景紧密结合方式

来源：豆包

特点：非常贴近传统企业管理咨询。提出了“决策逻辑、踩坑经验、效率技巧、底层原则”等隐性经验 4 要素，甚至给出了“情景演练模拟器”这种偏向销售与管理培训的资产形态。

截屏2026-10-12 11.31.33

表格中的 AI 资产类型也是很全面了。

截屏2026-10-12 11.32.09

截屏2026-10-12 11.32.41

我倒是觉得这个“1分钟快速定位”提问，与上面管理咨询顾问的气质不符，这里又更像是一个技术工程师。

4. 用讨论方式，更加适合入门者

来源：Gemini 3

特点：注重对话流与交互阻力控制。
上面几个模型的回答，给出的技术概念的信息量挺大，不太适合新人入门者。
Gemini 以极其轻量的 4 维框架，引导使用者从“讲一个故事/案例”开始，鼓励用户在自然对话中倾诉自己的案例，极大地降低了认知负荷。

截屏2026-10-12 11.34.05

5. 直接进入执行，试试 GPT 动态交互组件

特点：完美契合现代 Agent 递进架构（知识 - Skill - Skill Group -专家 Agent - Agent Team）。更惊艳的是，它直接在对话框中渲染出了动态 UI 交互卡片，用按钮和引导框取代了传统纯文本交互，展现出了下一代生成式 UI 的力量。

截屏2026-10-12 11.29.08

截屏2026-10-12 11.29.37

四、深度洞察：从模型的回答中，我们能学到什么？

AI 的输出质量，永远取决于你的提问。

普通提问关注的是“具体内容是什么”（例如：“帮我写一份敏捷开发 SOP”）。
而元认知提问（Meta-cognition）明确规定了 “先做知识萃取，再判断资产类型”，关注的是“对思考过程的思考”。要求 AI 站在更高维度，对人类的“经验本身”进行结构审查、价值定位与工程化解耦：

约束执行步骤：先萃取、再判断”，严格禁止 AI 在材料不足时直接硬凑。
要求“资产形态匹配“：要求 AI 建立起业务场景与技术形态的映射关系。判断应该成为 Prompt、RAG 知识库、自动化工作流，还是 Agent / Skill。

所以，这就成了先要求 AI “扮演知识萃取师来追问我”。这就相当于用脚手架搭建了一个“互动式访谈室”，把过去需要昂贵外部顾问才能完成的访谈对话（Tacit-to-Explicit Knowledge Conversion）过程，交由 AI 辅助你执行。

将经验沉淀为数字资产，是一场深度的“认知梳理”过程。AI 是极其优秀的镜子和放大器，但定义问题、拆解结构、把控质量的决定权，始终在人类专家手里。

联系与支持

用户联系与问题反馈，请联系顾问：程老师
微信号：kciagent

1. 从经验到 AI 资产的过程是怎样？第一步如何开始？

适合应用

一、就用这个“知识萃取与资产定位”问题，提问 AI 工具

二、5 大 AI 模型来答疑“知识萃取与资产定位”