为公司打造大脑

组织的知识散落在各处——唯独不在做决策的地方

在一般系统里，潜在客户数据在一处 · 购买信号在另一处 · 而且无法核实销售事件与真实结果之间如何关联。于是管理层凭“感觉知道”做决策——却没有证据证明真的知道。

信号确实存在——但没有人把它们沉淀为知识

在与第一家电动车经销商的实际合作中，我们发现销售信号非常具体：逐级变化的兴趣程度 · 互动历史 · 客户感兴趣的车型——如果把这些全部存为事后不可修改的事实（immutable facts），组织就总能回答所知道的信息从哪里来、从什么时候开始知道。

让 LLM 自由检索 vs 让管理层可以核实

一般的 AI 知识系统让 LLM 自由检索数据再组织答案——听起来很聪明，但答案里充满了无法核实的内容。

而管理层需要的恰恰相反：每个答案都必须可审计，每个数字都必须有来源——因为这些答案会变成商业决策。

LLM 翻译问题——代码负责找答案

我们把 LLM 的角色限定为两项：把用户的问题翻译成预先划定范围的查询模板，以及组织表述代码已经计算好的结果。

• 由代码执行真正的查询——LLM 不生成自由格式的 SQL
• 分数和排名由有版本的逻辑计算——不是模型的意见
• LLM 可以组织表述，但不允许出现没有来源的数字
• 每条管理层级别的洞察都始终附带证据

把“观察到的”和“决定的”分开——观察归 AI · 决策归可复现的代码

实际构建的内容——并且已经上线

• Knowledge graph — 节点 · 边 · 事实，在数据库层实现租户隔离，并由触发器强制保证不可修改
• Bounded retrieval — 模板注册表，预先定义允许执行的查询
• Executive insights — 由代码计算的 Opportunity / Risk / Trend，并附带证据
• Live ingestion — 潜在客户数据和知识库自动流入图谱
• Graph visualization — 用户可以真正看到公司所“知道”的事物之间的关系

上线前，我们用一致性测试把关：从知识图谱计算出的每个分数都必须与原有系统完全一致——100% 通过，没有任何不一致，之后才正式启用。

在真实试点中端到端上线

系统在电动车经销商试点上完整运行全流程——从流入的潜在客户数据，经过知识图谱，到管理层在门户中查看的洞察——同时原有系统照常运行，过渡期间没有风险。

值得信赖的知识系统，必须从第一天起就把观察和决策分开

组织需要的不是什么都能回答的 AI——而是知道自己真正知道什么，以及证据在哪里。当观察与决策清晰分开，系统就总能回答“从哪里知道的”和“规则什么时候变了”——这就是搜索引擎与公司大脑的区别。