飛書這個知識問答功能，已經能幫我寫周報了。。。

* 本文原創發布于差評孵化的商業財經類帳號 " 知危 "

大模型時代，除了為 C 端用戶提供好用的對話模型，一些 SaaS 企業也把目光轉向了企業管理層面，簡單來說就是將 AI 帶入到企業的工作環節，通過搜索平臺鏈接公司內部數據，幫助員工更好地搜索信息，從而提高工作效率。

但是很多企業依賴于本地部署的舊有系統，SaaS 企業需要時間整合可能是不同業務部門的系統，還要針對不同行業定制解決方案，增加了市場教育和產品適配成本。

那么，如果本來就是被廣泛使用的一站式辦公協作平臺，內嵌一個自己的 AI 問答工具，對于企業來說，是不是更高效，用的更爽呢？

于是，飛書帶著它最新的 AI 功能——知識問答來了。我們第一時間嘗試了這個功能。

由于官方提到它能根據用戶在飛書上的權限，訪問消息、文檔、知識庫、文件等信息，給出精準答案，我們用了不同部門和級別的同事飛書賬號進行了測試。

先看一個簡單的需求場景：公司資料檢索。以往需要搜索差旅標準、打開文檔、仔細閱讀并找到相應信息，有了知識問答，只需要一個提問就全搞定了。

以此類推，有了這個能力，員工在學習企業文化、檢索公司資料、了解公司制度和流程時，就能省出不少時間。規模越大的公司，這樣的檢索能力優勢體現得越明顯。

我們還發現，在知識問答里提問，往往不需要精準描述問題。

就像前一天在一堆消息里，同事好像瞄到了一眼當天推送文章的次條頭圖（ 封面圖 ），但當時忙著手頭的事，后面壓根想不起來是在哪兒看的。

換做以前，需要挨個群點開聊天記錄找半天，如今直接在知識問答里問，它在快速定位后，還順手把圖片發給了我們。

當然，面對大家頭疼的日報、周報、月報，我們也沒落下測試。

除了有幾個小問題由于語音識別有失誤，基本都能把工作給盤全了，甚至還把一些重要項目的時間節點也準確概括出來。

有點拉高本司月報水平的味道了。

這些內容，大部分同事都能通過知識問答搞定，那么涉及到更高階的問題，甚至提出解決方案，效果怎么樣？我們使用了權限更高的負責視頻業務的同事的賬號。

同樣的一個問題，飛書會按照每個人在企業里的職位差別，獲取到的數據權限不同，各自按權限生成滿足各自需求的專屬答案。

比如，同樣問公司營收多少，普通員工就只能知道個大概幾位數營收，而管理者不但能知道準確數字，還能看到各個部門具體營收、占比等等。

當然，一些奇怪的問題它也會拒絕回答。

必須要提一嘴，知識問答屬于飛書的進階功能，在企業級知識問答場景中，由于信息抓取來自內部信息，它需要企業使用了一段時間飛書，員工減少習慣本地存儲的慣性，有一定的知識沉淀和基建設施，比如文檔、消息、會議記錄、圖片、視頻等，才能讓知識問答有條不紊的抓取和判斷信息，輸出精準有用的答案。

知危編輯部平時不管是開會記錄、同事溝通，還是稿件創作，只要是工作上的事兒，基本都在飛書上搞定。

當有一定的知識沉淀之后，用好知識問答很依賴于 " 會提問 "。

比如 " 梳理知危編輯部今年的選題，提煉關鍵詞并分析可以重點開拓的企業或選題方向 " 這樣的問題，實際上權限需求不高，但是對于編輯有重要的參考價值，知識問答的回復不僅給出了成功選題和低效選題，還給了具體的開拓方向和建議。

這其中有些內容我們壓根沒有意識到，當懷疑是 AI 的幻覺時，我們查詢了判斷來源，發現原來是跨部門同事分享中的一個很小的數據。

由于我們公司更偏向類似于報社這樣扁平的內容崗位為主的企業架構，我們也咨詢了一些同樣在飛書上的零售企業，看看它們使用知識問答到了什么階段。朋友表示用的比較多的是總結周期內的工作內容，寫日報用；或者出了問題不知道找誰，先來問問答案，更像一個工作助理。

當然目前的知識問答也還存在一些局限，比如飛書內部生態資料的互通還不夠，像是日歷行程、多維表格等數據，還在打通的路上，隨著調用的大模型能力不斷升級，飛書的知識問答上限將會在未來不斷提高。

在知危編輯部看來，知識問答的潛力還遠遠沒有發揮，除了直接的提高個人工作效率之外，它還有非常多進階的玩法等待人們去開發，去問，甚至輔助使用者作出決策和趨勢預判。

其實，真正的知識問答應該是像滾雪球一樣知識沉淀越來越多，問答效果越來越好的，其實除了技術層面的支持，也需要企業人才之間的共創，從而創造更大的價值。

另外，企業內部知識和外部公網知識的融合或許也是一個挑戰，當兩種知識之間存在差異或沖突時，如果無法有效融合，會顯著降低回答的可靠性和實用性，怎樣在不同模態間建立準確的語義關聯，并有效融合內外部知識，是提升回答可靠性和實用性的關鍵，這也考驗 Agentic RAG 的可控性。

拋開知識問答，我們想談談 AI 時代的企業數字化和企業知識的管理面臨什么樣的困難，首先還是要先實現 AI ready，用上像飛書這樣的產品，實現企業系統和數據的充分整合和沉淀，先把 " 水 " 儲夠，最終才能獲得 AI 的收益。

或許最主要的還是人，來自于組織文化與人才能力的制約，與時代發展無關。類似知識問答的搜索基礎版本在 2010 年左右就曾推出過，比如 IBM Omnifind。可以認為，大模型的應用是技術的飛躍式發展，但是場景并非新鮮。

從組織來看，本身的部門壁壘其實直接影響知識的流動，某種程度正是這種企業權力結構，才形成了數據護城河，或許飛書知識問答這樣的工具會反向檢驗企業架構的合理性和壁壘程度。

另外，復合型人才的密度影響企業知識的質量。因為既懂業務又通技術的團隊往往擁有更多的權限，能夠在日常工作中沉淀更多的知識和經驗，從而反哺知識庫，他們的存在像橋梁一樣，能物理意義上降低優質知識的獲取門檻。

說到底，有了知識問答這樣好的生產力工具，只是企業在 AI 時代實現數字化的第一步。

撰文：Rick