如何用企业私域知识喂出超级龙虾？

龙虾可以像员工一样工作，它会自己调用工具、规划任务、寻找文件，甚至能在不断试错中完成交付。在当前这一波养龙虾热潮下，企业面临新的挑战：如何让龙虾真正进入业务流程？如何控制快速膨胀的Token成本？在此背景下，爱分析与 360亿方智能CEO彭际华进行了一场深度对话。作为长期聚焦企业知识与AI工程化落地的厂商，360亿方智能正在围绕AgentFS、企业记忆、Skill、Knowledge Hub等方向展开实践。其核心产品理念是：让知识成为生产力。

本次对话重点讨论了记忆的价值、Skill如何在企业落地、多Agent协同如何进入真实业务流程等问题。

核心观点

大模型决定Agent的能力上限，知识上下文决定Agent的能力下限。

模型解决“能不能做”的问题，企业Context解决“能不能稳定做好”的问题。没有业务上下文，Agent再聪明，也只是一个不懂企业的新员工。

企业AI不缺模型，缺可执行的业务上下文。

业务规则、流程标准、审批习惯、交付要求、专家判断、历史经验，这些才决定Agent能不能进入真实工作流。

未来的知识库不是文件仓库，而是面向Agent的组织记忆系统。

知识不再只是文档，还包括会议记录、任务过程、专家判断、业务规则、Agent执行轨迹和可复用Skill。

Skill是隐性知识产品化的最小单位。

未来写Skill的技术门槛会下降，真正稀缺的是能把业务经验结构化的人。专家知道“怎么做”，企业要把这种经验变成Agent可执行、可复用、可评估的规则和流程。

Agent是脚手架，知识和Skill才是资产。

模型越强，越会淘汰薄Agent；但模型越强，也越会放大私域知识、业务规则和工程化治理的价值。

人和硅基员工协作不能靠潜规则。

企业AI的终局，不是每人一个聊天机器人，而是每个组织拥有一批懂业务、能协作、可治理的硅基员工。人和硅基员工协作的核心工作是把业务知识显性化。知识管理要嵌入业务过程，为硅基员工提供工作上下文，并确保知识持续萃取、验证和进化。以下为本次访谈实录，在不改变原意基础上略有修改。

01、龙虾是大模型规划能力外溢的必然结果

爱分析：你怎么看待OpenClaw？

彭际华：OpenClaw不是一个新的聊天工具，而是大模型规划能力外溢后的新形态。过去的大模型主要回答问题。现在，它开始能拆解任务、调用工具、操作文件、检查结果、反复修正，逐渐从“问答系统”变成“执行系统”。我理解Agent大概经历三个阶段。

第一阶段是Prompt阶段。这个阶段主要靠提示词，人把任务拆好，把边界讲清楚，再让模型执行。

第二阶段是Context阶段。模型开始能基于长上下文连续完成任务，AI编程、报告撰写、资料分析都是典型场景。

第三阶段是Harness阶段。Agent不只是执行，还要能评估结果、修正路径、沉淀经验。

它需要任务环境、工具调用、状态管理、结果验证、安全沙箱和权限控制。OpenClaw代表的就是第三阶段的开始。它让Agent从“会说话”走向“会干活”。但在企业里，会干活还不够。一个新员工再勤奋，如果不了解公司的业务规则、交付标准和审批流程，也很难稳定产出结果。所以我一直强调：大模型决定Agent的能力上限，知识上下文决定Agent的能力下限。模型让Agent具备通用能力，企业Context决定它能不能真正上岗。

爱分析：龙虾带来哪些关键变化？

彭际华：我认为有三个变化。

第一，Agent从云端走向真实工作环境。过去很多智能体只停留在云端问答，现在开始进入浏览器、桌面、文件系统、企业应用和工作空间。它不再只是知道答案，而是开始接触现场。

第二，Agent从流程编排走向自主规划。过去很多智能体，本质上还是人先把流程编排好，AI按节点执行。龙虾代表的是另一种形态：人表达目标，Agent自己拆任务、找工具、试路径、修结果。

第三，软件的服务对象正在改变。过去软件主要服务人，界面、按钮、菜单都围绕人的操作设计。

接下来，软件不仅要让人好用，也要让Agent会用。所以CLI、API、Skill、Knowledge.md、Handoff这类面向Agent的能力会越来越重要。它们不是技术细节，而是Agent Native时代的基础设施。这就是AI Native的底层变化：产品不再只是给人一个界面，而是要给Agent一套可调用、可追溯、可治理的能力。

爱分析：企业目前落地进展顺畅吗？

彭际华：不能简单说顺畅或不顺畅。更准确地说，Agent正在从能力验证走向真实业务流程，但真正的阻力不是模型能力，而是企业自己的业务Context没有准备好。很多企业的任务目标其实很明确，比如写访谈稿、整理会议纪要、生成分析报告、审核合同、撰写公文。今天的模型和Agent已经具备参与这些工作的能力。问题在于，它不知道企业平时怎么工作。它不知道一份合格报告的标准是什么，不知道哪些信息必须核验，不知道客户审核习惯，也不知道哪些内容必须经过人工复审。人类员工入职后，可以通过观察、请教、开会和试错慢慢理解这些潜规则。但硅基员工不行。人和硅基员工协作不能靠潜规则和隐性知识。企业必须把这些流程、标准、经验和边界显性化，沉淀成Agent可理解、可调用、可复用的上下文。比如我们和某头部律所共创NDA审查场景时，一开始大家以为重点是模拟律师审查流程。后来发现，真正重要的不是流程本身，而是不同角色背后的判断标准：有人关注合同主体，有人关注权责对等，有人关注风险条款，有人关注可接受的谈判空间。把这些经验抽象成规则和Skill，Agent才能真正参与工作。所以企业落地Agent的关键，不是“接入一个Agent”，而是把组织如何工作的知识交给Agent。企业AI不是缺Agent，而是缺把业务规则、交付标准和专家经验显性化的能力。

爱分析：这个场景落地过程中，原有流程有变化吗？

彭际华：一定会变化。很多企业今天讨论智能体，还是站在人使用系统的惯性里思考：人怎么做，Agent就怎么做。但人和Agent的工作方式差异很大。专业人士做事追求一次成功，因为人的时间很贵，返工成本高。但Agent可以试错，可以并行，可以在后台反复尝试。企业真正要定义清楚的，不是Agent中间每一步必须怎么走，而是最终结果要达到什么标准，哪些风险必须规避，哪些环节必须留痕，哪些节点必须人工确认。这会倒逼企业重新定义流程。过去流程围绕“人如何一步步完成任务”；未来流程会更多围绕“任务如何被定义、执行、交接、复核和沉淀”。Agent不是把人的流程照搬一遍，而是倒逼企业从“人执行流程”转向“任务被定义、交接、复核和沉淀”。企业要管的不是Agent中间失败了几次，而是它最终是否交付了合格结果，过程是否可追溯，风险是否可控制，经验是否能沉淀。

爱分析：因此，交付结果比较明确的场景更适合落地？

彭际华：是的，但还不止这一点。适合Agent的场景通常有三个特征。第一，结果可定义、可验收。第二，过程需要大量文件、工具和系统环境。第三，任务中存在可复用的经验和规则。比如合同审查、政务简报、会议纪要、资料整理、行业情报、报告生成，这些都比较适合。因为它们不是简单问答，而是要经历资料收集、信息筛选、规则判断、格式生成和人工复核。龙虾之所以引起关注，是因为它第一次让大家意识到AI可以像员工一样接任务。你给它一个目标，再给它一个工作环境，它开始自己找资料、操作文件、调用工具、完成交付。但企业不能照搬消费级体验。消费级产品可以为了完成任务给很高权限，也可以暂时不关心Token成本；企业不行。企业真正落地Agent，必须补上四件事：权限边界、过程审计、结果验证和成本治理。企业落地Agent的关键不是“能不能跑”，而是“能不能安全、稳定、低成本地跑进业务流程”。否则，Agent能跑起来，但很难进入核心业务。

02、不是只有模型更强，Agent更需要业务上下文

爱分析：龙虾开始出现记忆模块雏形，记忆和企业知识之间的关系是什么？

彭际华：不是所有记忆都是知识。对企业来说，只有经过筛选、验证、授权、结构化之后，能被复用的记忆，才真正成为知识。我一般把记忆分成三层。短期记忆是原始记录，比如会议转写、任务日志、过程文件。这些信息量很大，但噪音也很大。中期记忆是阶段性产出，比如整理后的会议纪要、修改后的稿件、初步审核报告。长期记忆是进一步体系化后的知识，比如行业方法论、审查规则、最佳实践、避坑清单和标准模板。短期记忆解决“刚才发生了什么”，长期知识解决“下次应该怎么做”。企业过去有大量信息沉淀，但很多只是堆在文档、网盘、邮件和聊天记录里。真正的问题不是没有知识，而是没有把这些信息变成Agent能理解、能调用、能复用的工作上下文。记忆不是知识。能被复用、授权、追溯、持续进化的记忆，才是企业知识。

爱分析：记忆会替代企业知识库？

彭际华：不会。记忆会成为知识的重要入口，但不会替代知识库。更准确地说，记忆、知识库和业务Context会形成一条新链路：AI在工作过程中不断产生短期记忆；经过整理、验证和权限处理后，沉淀为中长期记忆；再进一步进入企业知识体系，最终成为Agent可调用的业务上下文。这条链路很关键。因为大模型决定Agent的能力上限，知识上下文决定Agent的能力下限。模型再强，如果不了解企业的业务规则、组织流程、交付标准和历史经验，它在企业里还是很难稳定完成任务。我们现在做的事情，就是把Agent工作空间里的过程文件、交付物、修改记录和任务交接，持续沉淀成组织知识。这里面有几个关键机制：AgentFS提供Agent的工作空间，Handoff记录任务交接，Knowledge.md帮助Agent理解空间内容和读取顺序，知识提炼服务把过程文件和交付物沉淀为可复用知识。这些机制的目标，是把Agent的“个人工作记忆”转化为“团队组织知识”。过去知识整理主要靠专人维护，未来企业每天使用AI 的过程，本身就会不断产生新的知识素材。关键是企业有没有能力把这些素材萃取出来，变成可治理、可复用、可进化的Context。未来知识库不是文档仓库，而是把工作过程持续编译成组织记忆的系统。这也是知识管理的新方向：不是把文档归档，而是把组织如何工作这件事持续沉淀下来。

爱分析：记忆还有其他什么价值？

彭际华：还有一个非常现实的价值：降成本。Agent一旦进入长链路任务，Token消耗会非常快。企业不可能每次都让模型从零开始读材料、理解背景、推导规则。人为什么要记住乘法口诀？因为记住以后，就不需要每次重新推导。AI也是一样。很多高频任务、固定流程、常用判断标准，都应该变成可复用记忆和知识缓存。该复用的上下文不要反复消耗Token，该沉淀的答案不要每次重新生成。未来企业做Agent，不只要看效果，也要看经济性。谁能更好组织Context，谁就能用更低成本跑出更稳定的结果。Agent成本治理不是财务问题，而是知识架构问题。Context组织得越好，Token消耗越低，结果越稳定。

爱分析：现在很多人在讨论Skill，Skill和企业知识之间的关系是什么？

彭际华：Skill本质上也是企业知识的一部分，只不过它不是“知道什么”的知识，而是“怎么做事”的知识。过去大家谈知识，容易想到制度、文档、案例、模板。但在企业真实运转里，更关键的往往是“做事的方法”：一份合同怎么审，一份报告怎么写，一个客户怎么判断优先级，一个项目风险怎么识别。这些经验如果不能被结构化，就永远停留在专家脑子里。Skill就是把这种隐性经验产品化。知识告诉Agent关注什么，Skill告诉Agent怎么执行。未来写Skill的技术门槛会越来越低，因为模型自己就能生成大量Skill。真正稀缺的不是会不会写，而是知不知道该写什么。行业专家的判断力、业务专家的结构化能力，才是最关键的。所以我们特别看重一种人：有产品经理思维的业务专家。他既懂业务，又能把经验拆成规则、流程、边界和评估标准。一旦结构化，AI就能把它变成可执行的Skill。Skill不是功能插件，而是企业隐性知识的可执行形态。

爱分析：由厂商和甲方的这种专家一起沉淀Skill吗？

彭际华：深度Skill一定要共创。行业里的很多关键判断，不可能靠AI厂商闭门造车。律师懂法律业务，我们懂AI工程；航空维修专家懂排故经验，我们懂知识组织和Agent落地。如果等律师完全懂AI，或者等AI厂商完全懂法律，周期太长，也不现实。最有效率的方式，是FDE、产品经理和客户业务专家一起工作。厂商负责把经验工程化，客户专家负责提供真实判断和场景标准。这件事的价值不只是交付一个项目，而是共同沉淀行业Know-how。行业Agent的壁垒不是界面，而是共创出来的规则、Skill、样例和评估体系。真正的壁垒不是做出一个界面，而是把专家经验、规则体系、测试样例和评估标准沉淀下来，变成可复制的行业资产。

爱分析：具体如何共创？

彭际华：企业知识大概分三类，对应三种处理方式。第一类，是原来没有沉淀的知识，比如行业情报、政策动态、公开资料、论文、开源项目。这类可以更多依靠Agent自动采集和整理。第二类，是有知识但没有体系。文件散落在网盘、邮箱、硬盘、IM和各种业务系统里。企业不是没有知识，而是知识没有结构，没有更新机制，也没有调用入口。这类需要通过Agent做整理、编译、去重、冲突检测和索引。第三类最难，是专家脑子里的隐性知识。这部分必须共创。我们会让FDE和产品经理跟客户业务专家一起工作，观察两件事：第一，他时间花在哪里；第二，他的判断力体现在哪里。最后，我们把这些经验蒸馏成三类资产：规则、Skill和评估样例。规则解决“判断依据”，Skill解决“执行流程”，评估样例解决“结果是否合格”。企业知识萃取不是把文档搬进知识库，而是把专家判断拆成规则、Skill和评估样例。没有评估，Skill就只是自动化脚本；有了评估，Skill才能持续进化。

爱分析：现在很多知识库本质上是文件管理，未来会变成什么形态？

彭际华：未来的知识库不会再只是文件管理，也不会只是一个问答框。它会变成面向人和Agent的组织记忆系统。过去知识库主要给人看，所以有文件夹、标签、搜索框。Agent时代，知识库要同时给Agent调用。Agent需要知道：这个空间里有哪些知识，哪些是权威版本，哪些已经过期，哪些内容适合优先读取，哪些答案需要人工复核。所以会出现越来越多面向Agent的知识协议，比如Knowledge.md、Skill.md、Agent.md。它们不是给人看的说明书，而是给Agent的工作地图。我们现在做Knowledge.md，本质上就是让Agent快速理解一个知识空间：这里有哪些资料，每份资料讲什么，优先读什么，哪些结论可以直接用，哪些地方需要回到原文溯源。更进一步，知识库会从静态文档库变成活体系统。Agent在执行任务过程中产生的新经验、新错误、新交付标准，会被持续萃取、验证、回流。知识不是一次性建库，而是越用越厚。下一代知识库不是搜索框，而是Agent的工作地图、记忆系统和知识运营引擎。知识库如果还只是“上传文件，然后问答”，就已经落后了。下一代知识库要进入任务、流程和交付，成为Agent工作的上下文底座。

03 、企业在多Agent时代需要龙虾元帅

爱分析：单一龙虾成熟之后，多Agent协同必然来临。目前，多Agent协同面临哪些挑战？

彭际华：最大的挑战不是多Agent数量多，而是协作规则不清。企业未来不会只有一个Agent，而会有一批硅基员工：有的负责采集，有的负责分析，有的负责生成，有的负责审核，有的负责高价值判断，有的负责低成本重复劳动。听起来很美，但只要进入真实组织，就会遇到和人类协作一样的问题：谁负责，谁交接，谁复核，谁背结果，哪里需要人工介入，哪里可以自动推进。人和人协作，很多时候可以依赖默契、经验和默认规则。但人和硅基员工协作，不能继续依赖这些潜规则。比如什么样的报告算合格，什么信息必须优先核验，哪些内容必须经过人工复审，哪些场景可以由Agent自主完成，这些都必须被明确表达出来。所以，超级组织时代的一个核心挑战，是业务知识的显性化。知识管理不能停留在文档归档和资料管理层面，而要嵌入真实业务流程，持续为Agent提供工作上下文。同时，Agent在执行任务过程中产生的新经验、新规则、新交付标准，也要被持续萃取、验证和进化，反哺企业知识体系。这样，企业才能从“让Agent完成单点任务”，走向“让硅基员工真正参与组织协作”。所谓“龙虾元帅”，本质上不是一个更大的聊天机器人，而是一套任务调度、状态监督、结果校验和知识沉淀机制。在亿方智能内部，我们更常把这类角色定义为“主龙虾”或“规划虾”：它负责理解目标、拆解任务、调度专业Agent、监督过程，并对最终结果做校验。它不仅要管理交付物，还要管理协作过程中的知识。多Agent协同不是多个机器人聊天，而是把任务、交接、验收、权限和知识沉淀机制化。更进一步，我们的目标是给每个知识工作者养一只“知识虾”：它不是通用聊天框，而是知识工作者的硅基同事，能理解个人和组织的知识空间，知道去哪找资料、如何调用Skill、如何交付结果，并把每一次工作过程沉淀回组织记忆。很多中间过程，本身就是非常重要的Context。

爱分析：企业落地智能体怎么降低Token成本？

彭际华：我认为要三管齐下：记忆缓存、任务分级、限额治理。第一是记忆缓存。高频任务、固定规则、常用答案、标准流程，不应该每次都从零开始推理。能复用的上下文要复用，能沉淀的结论要沉淀。这是最根本的降本方式。第二是任务分级。不是所有任务都需要最强模型。高风险、高价值、强推理任务可以用大模型；标准化、重复性、低风险任务可以用小模型或专用模型。企业里不可能所有员工都配最高成本的能力，Agent也是一样。第三才是限额。限额是最后手段，不是第一方案。只靠限制Token，可能会牺牲效果；更好的方式是通过知识组织、上下文压缩、模型分层和任务路由，把成本结构优化掉。未来企业一定会发现，Agent的成本治理不是财务问题，而是架构问题。Token成本不是靠“少用”解决，而是靠记忆复用、模型分层和知识组织解决。谁更懂Context，谁更会组织知识，谁就能用更低成本跑出更稳定的Agent。

爱分析：你怎么看接下来一两年的模型演进？

彭际华：模型能力的发展速度一定会继续快于应用落地。现在很多企业可能连模型能力的十分之一都还没用起来。接下来有两个方向非常关键。第一是多模态。今天文本能力已经很强，但企业真实业务不是纯文本。合同里有表格，图纸里有标注，会议里有音频，生产现场有图片和视频。真正的企业Agent，必须理解这些多模态信息，也要能把它们转化为可执行的任务上下文。第二是更低成本地利用知识。未来不可能只是拼更大的模型。模型会越来越强，但企业更关心的是：我能不能用更高质量的私域知识和Context，让模型少读一点、少猜一点、少消耗一点，同时结果更稳定。模型会继续进化，框架会继续变化，Agent形态也会不断变化。但企业里真正长期稳定的东西，是业务知识、流程经验、专家判断和组织记忆。所以未来竞争不会只是“谁接入了更强模型”，而是“谁更会组织知识，谁更会把知识变成Agent的工作上下文，谁更能让知识持续萃取和进化”。模型会变，框架会变，Agent形态会变；企业知识、流程经验和组织记忆才是长期资产。Agent是会变化的，知识才是复利资产。