土猛的员外
导读：AI项目先找准价值，再用运营和软件持续实现价值。
今年做 AI 项目，我越来越明显地感觉到：AI落地实施正在变得越来越像一项咨询工作。
这并不是说，实施团队以后不用做产品、不用写代码了；也不是说，只要多开几次会、多写几份报告，就算是做了咨询。
真正的变化是，过去很多信息化项目的起点，是客户已经比较清楚自己要什么，项目团队需要解决的主要问题，是怎么把这些需求做成系统。现在不少AI项目的起点，却只是一个比 较大的方向：建设企业级 AI 平台、建设知识库、做智能问答、做智能体，或者让大模型帮助某个部门提效。
方向通常没有错，但距离一个真正可建设、可使用、可验收的项目，还差得很远。
所以，项目前半程最重要的事情，正在从“确认功能”变成“和客户一起发现价值”：到底要解决谁的什么问题，AI在其中能发挥什么作用，哪些事情不能交给AI，以及怎样把一个听起来不错的想法，变成一套真正可行的建设方案。
导读：AI 办公正在成为巨头的新战场。但让一个员工更快完成文档，不等于让一家企业更高效地运转。个人工作入口之外，企业知识、流程、权限与协同，正在形成更大也更难的市场。
2026下半年的AI 办公市场，突然变得拥挤起来。
腾讯持续升级WorkBuddy，并推出企业版AI工作台；阿里将多条产品线整合为千问办公，随后深度接入钉钉；字节跳动正式发布豆包工作，与飞书打通；钉钉自身也在把越来越多的组织能力变成可被 AI 调用的工具。
这些动作不是普通的产品更新。大厂正在收拢内部赛马的团队与产品，把大模型、办公软件、企业协作平台和云服务推到同一张牌桌上。AI 办公的竞争，已经从“给软件加一个对话框”，进入“由Agent 接收目标、拆解任务、调用工具并交付结果”的阶段。
这当然是一件好事。
过去两年，企业讨论AI时经常陷入两个极端：一边把大模型当成万能答案，另一边因为几个效果不稳定的 Demo，认定AI离生产环境还很远。WorkBuddy、豆包工作、千问办公等产品的大规模进入，会迅速降低使用门槛，让更多员工在真实工作中接触Agent。AI 不再只属于技术部门，也不再只是聊天、写稿和搜索，而会逐渐进入文档、表格、会议、调研、数据分析和跨软件操作，特别是沙箱的使用，你的要求马上会被Agent以现写代码的方式实现出来，这是大跨度的人机协作范式的提升。
当小区电梯广告一分钟可以播放三次Workbuddy，我就觉得市场教育由大厂们来完成，其实对整个AI大赛道都是好事情。
但另一个问题也随之出现：当巨头把 AI 办公推向白热化，其他产品和团队是不是就没有机会了？
本文介绍如何使用钉钉 DWS 命令行工具，将钉钉知识库中的在线文档导出为本地 Office 文件，再上传到独立部署的 TorchV AIS 知识库。
导读：
- 你的AI项目落地真的被用起来来了吗？
- 企业知识能不能被管好、用好，决定了AI的实际价值。
- 知识工程，正在成为大型企业AI建设的必修课。
在不少企业的 AI 项目中，都能看到相似的一幕。
项目验收的时候，平台已经部署完成，知识库导入了成千上万份文件，几个重点场景也做出了可供演示的 Agent。领导在会议室里提出问题，系统很快生成了一段条理清楚的回答，项目看起来已经具备上线条件。
可过了几个月，使用情况却没有达到预期。
业务人员偶尔打开系统，问过几次，发现有些答案引用的是旧制度，有些回答虽然正确，却没有考虑本部门的实际流程。遇到专业问题时，系统给出的内容和公共 AI 服务差别并不明显。时间一长，大家又回到了原来的工作方式：找熟悉业务的人、在群里询问，或者从共享目录中翻文件。
真正让AI项目决策人（如CIO、AI专班负责人等）感到压力的，往往不是某一次回答不准确，而是项目进入复盘阶段后，很难说清楚它到底带来了什么。
导读：
1.企业AI落地除了大模型，最重要的竞争就是企业上下文之争；
2.八个问题可以自查你拥有的是知识库还是知识引擎。
这两年，几乎每一家认真推进 AI 的企业，都做过一件相似的事：
把公司里的制度文件、产品手册、培训材料、项目文档一股脑上传，然后接上大模型，做一个“企业知识库问答”。
演示的时候，效果往往不错。问一句“公司的报销流程是什么”，AI 很快就能给出答案；再问一句“某款产品有哪些参数”，它也能从文档里找到相关内容。
但真正上线之后，问题很快就来了：
于是很多企业开始怀疑：是不是模型还不够强？是不是向量数据库选错了？是不是提示词还要继续调？
这些当然都可能影响效果，但更根本的问题是：企业把一个基础设施问题，当成了一个问答工具问题。
企业 AI 真正需要的，不只是一个能存文件、搜内容的知识库，而是一套能够持续接入知识、加工知识、治理知识、调用知识，并根据业务反馈不断优化的企业 AI 知识引擎。
未来，当企业内部出现大量 Agent 时，企业之间的差距也会迅速拉开。因为除了一定程度上可以共享的大模型能力，真正难以复制的，是由企业级知识引擎长期沉淀、治理并持续更新的企业上下文。
最近一段时间，我的大部分精力都放在一个企业级智能知识库项目的需求分析和总体设计上。
明总刚刚写了一篇《AIS 交付实践中的架构演进与思考》更多从技术和交付角度，讨论不同客户基础设施带来的适配问题，以及 AIS 如何通过存储适配、任务持久化和部署组合降低私有化交付的复杂度。其中有一个观点我很认同：产品架构不是关起门来设计出来的，交付过程中真实遇到的问题，本身就是架构演进的重要输入。
而我在这次项目中做的事情更偏向需求、产品和总体设计。每天面对的不是“某个功能怎么实现”，而是另一组问题：
客户为什么要建设企业级知识库？它和原来的文档管理系统有什么区别？知识由谁维护？制度更新后旧版本怎么办？跨部门 Agent 从哪里获得知识？答案不准确时，问题究竟出在模型、检索，还是知识本身？
这些问题看起来不像算法问题，却往往决定了一个知识库能不能真正进入生产。
很多企业已经开始尝试大模型，但真正进入业务现场时，往往会遇到同样的问题：
制度文件很多，但 AI 不知道该引用哪一版；
业务知识分散在部门、系统和个人电脑里，员工找不到、AI 也用不好；
客服、审计、合规、售后、销售、研发等场景都有大量重复劳动，但又不能完全交给模型自动判断；
客户希望 AI 提效，但更担心答案不准、依据不清、权限越界、过程不可追溯。
TorchV AIS 面向这些真实问题而设计。它不是一个简单的文档问答工具，而是一套面向企业 AI 落地的知识引擎系统。它帮助企业把分散在制度、手册、合同、报告、工单、案例、模板、FAQ、业务系统和外部资料中的知识，变成可检索、可治理、可追溯、可被智能体调用的知识资产。
本白皮书基于金融、审计、烟草政企、工业制造、大宗商品贸易等真实客户需求抽象而来，重点回答三个问题：
客户可以在哪些业务场景中使用 TorchV AIS？
这些场景能为客户带来什么价值？
TorchV AIS 如何支撑这些业务场景落地？
企业客户最关心的不是“系统有哪些功能”，而是“我的业务里哪里能用，能解决什么问题，能带来什么价值”。因此，我们先用一张价值地图展示 TorchV AIS 在典型业务中的落地方式。
作者：卢向东，杭州萌嘉网络科技有限公司创始人。团队长期专注于企业 AI 落地与 AI 知识引擎实践，是国内较早探索 RAG 企业应用落地的团队之一。产品 TorchV 已成功服务浪潮信息、微众银行、物产中大、台州银行、适途汽车、中汇税务师事务所等客户。
企业AI落地不是让业务人员学习 AI 的工作方式，而是让 AI 能力进入业务人员熟悉的工作方式。
上周出差上海与一家会计师事务所交流AI在他们业务中的落地，过程中突然让我意识到了一个AI落地的问题：很多企业 AI 项目并不是卡在模型能力上，而是卡在“业务人员不知道该如何通过对话框完成一套复杂业务流程”。
当前很多AI原生应用默认采用对话式交互，也就是 CUI（命令行用户交互界面）。不管是Claude、ChatGPT、DeepSeek、Kimi等大模型，还是龙虾、Hermers等Agent，对话式交互适合问答、检索、生成、改写，但并不天然适合承载复杂业务流程。对于已经习惯了三十年 GUI （图形化用户交互界面）系统的企业用户来说，他们更熟悉的是列表、表单、状态、按钮、审批流、退回、挂起和复审，而不是把一整套业务流程压缩进一个聊天窗口里。
作者：卢向东，杭州萌嘉网络科技有限公司创始人。团队长期专注于企业 AI 落地与 AI 知识引擎实践，是国内较早探索 RAG 企业应用落地的团队之一。产品 TorchV 已成功服务浪潮信息、微众银行、物产中大、台州银行、适途汽车、中汇税务师事务所等客户。
企业级知识库的一些实践，合规和知识健康。
我在上一篇文章《五分钟讲明白企业知识库，AI时代为什么它会这么重要（附视频）》中大致讲了企业知识库的一些特点，和多数人认为“RAG即是知识库”的概念存在哪些不同，有几位朋友私信说对于一些重要的特点只是一笔带过太敷衍了。那么今天这篇文章我们就从中挑选两个点来展开讲讲企业知识库的这些特点：
安全合规我认为是由“安全”与“合规”组成的，安全的内容会非常多也非常分散，包括多级权限控制、设备控制、白名单、多次登录失败限制、防泄露（下载日志、水印等）、防prompt注入攻击等。关于安全，本文就不展开来说，我们直接说说合规。
因为合规这个场景可能是大部分AI从业者不一定会碰到的，特别如果你只做产品，没有实际落地经验的话。但在面向强监管的行业客户的AI落地实施中却会被看作重中之重，类似银行、证券基金、保险、支付、生物制药、医疗服务等，在AI落地的时候都非常需要做好合规，不然可能会面临巨额罚款或司法诉讼。