Organizations need decision-grade knowledge. AI makes it urgent.

组织需要决策级的知识。AI让这一需求变得紧迫。 - Stack Overflow

2026年9月30日

组织需要决策级的知识。AI让这一需求变得紧迫。

AI可以显著加快第一部分的进程。它能够找到相关页面、讨论以及可能知情的人。当这些信息来源出现分歧或内容过时后，真正困难的工作才刚刚开始。

[

设想客户询问你的产品是否支持其使用场景以及如何处理其数据。

你查看启用页面，上面写着支持。支持团队的某人记得最近一次关于限制条件的讨论。工程师指出答案取决于客户的配置。

此时你有三个相关来源，而客户却在等待一个明确答复。谁来决定公司能够支持的立场？

这种情况在每家企业都会发生。问题可能涉及客户、内部政策或技术决策。有人找到文档，有人知道变更内容，团队通常在会议或聊天记录中共同得出答案。一个月后，另一个团队又会重新开始调查。

检索已成为起点

几年前，找到三个相关来源已经是一项重大成就。数百甚至上千款产品曾围绕企业搜索构建，但客户需求已完全改变。如今团队可以连接工具、跨系统搜索，并在几分钟内为模型提供相关材料。混合搜索、分块处理和重新排序等技术持续改进，这些能力也正越来越普及。

回到客户问题。启用页面可能描述了原始功能，支持讨论可能提及临时限制，工程师可能知道两个来源都未提及的配置条件。检索这三个来源为团队提供了更好的起点，但无法确定当前哪个陈述适用于该客户。它无法提供决策级的知识。

这就是许多AI体验失去用户的原因。答案快速出现且看似完整，接收者仍需核对来源、查找缺失条件并请同事确认。他们不得不亲自完成最后也是最关键的工作部分。

这种疲劳感是合理的。如果组织希望人们用AI处理关键问题，就必须提供评估回答背后知识的方法。

回答需要承载的内容

针对关键业务问题，在依赖答案前你需要五项要素。

• 来源是什么？我需要查看底层来源并掌握足够的背景信息。
• 适用条件是什么？某个产品版本、地区或客户配置的正确答案可能在其他情况下不适用。
• 我是否有权限使用？知识必须尊重来源权限并遵守组织设定的边界。
• 是否存在矛盾？如果新讨论与旧页面内容冲突，系统应帮助揭示这种矛盾。
• 谁能解决？有时答案需要由能力拥有者或了解例外情况的人来确认。

这就是我所说的决策级知识。人们和代理需要证据、上下文以及在知识变化时改进知识的方式。每个要素都会影响答案是否能支撑决策。

引用本身无法告诉客户适用哪些指导方针。信任评分无法对产品承诺负责。两者都可以帮助团队进行调查，但真正了解工作的人员的判断仍然至关重要。

在关键环节发挥人类专业知识

在我们的示例中，产品团队可以确认当前的功能能力。工程团队可以解释配置方式。支持团队可以告诉我们客户遇到的具体问题。每个人都能提供单一来源可能遗漏的信息。

但我们也必须诚实面对：我们并不希望让这些专家审查AI工具生成的每一条响应。这会形成新的排队流程，使专家无法专注于本职工作。我希望在答案存在重大不确定性、来源信息相互矛盾，或多人使用知识需要验证时，再引入专家的专业判断。

他们的贡献也必须具有持续性。当团队解决客户问题后，结果应包含答案、适用条件以及背后的证据。如果情况发生变化，应有人能够及时修正。后续团队应能直接基于已完成的工作继续推进。

在整个过程中，AI都发挥着重要作用。它可以检索并比较来源信息，帮助识别知识缺口，并在下一工作流程中提供经过验证的知识。人类则负责赋予意义，并处理组织尚未得出答案的特殊情况。这就是我们希望人类与AI在知识领域协作的方式。

我们为何以这种方式构建Stack Internal

Stack Overflow在过去二十年中不断学习人们如何以他人可发现、可审查和可改进的形式分享专业知识。一个答案是有用的，而更正可以让它更有价值。这项工作的历史可以帮助下一个人评估他们找到的内容。Stack Internal社区将这些实践引入了组织内部。

今天，我们正在向更多个人和团队开放Stack Internal平台。我们将组织的知识来源整合到共享层，保留负责任使用所需的情境信息，并通过聊天、API和MCP提供访问。领域专家在验证和更正他人依赖的知识方面发挥着重要作用。这一角色是经过深思熟虑的，也充分尊重他们的时间和努力。

同样的客户问题可能来自使用聊天的用户、使用API的内部应用，或使用MCP的代理。组织需要在这些不同体验中保持答案的一致性基础。界面可以变化，但来源信息、访问规则和人类贡献必须贯穿始终。

我们的配套发布文章将全面介绍当前可用的功能以及如何开始使用。我想解释这些功能背后的产品决策：我们正在构建一个关键节点，即当组织必须决定其掌握的知识、谁可以使用这些知识，以及这些知识如何演变时的解决方案。

我们正在解决的下一个问题

团队解决了客户的问题。产品团队确认了功能，工程团队解释了配置方式，支持团队识别了例外情况。六个月后，功能发生了变化。

我们需要确保之前的答案可以被修正。同时，我们也需要更好的方式来保留团队最初学到的内容。

试想一下，在一对一的对话中，有用的知识被创造的频率有多高。某人与同事或AI代理共同解决一个难题，他们比较来源、发现例外并得出结论。对话结束时，这个结论可能永远无法被其他人获取。

我们已经在研究让人员和代理通过工作工具将有用知识重新推送至Stack Internal的方法。贡献知识的人应能决定哪些内容值得保留以及谁可以访问。专家的更正应始终与被修正的指导信息保持关联。长期来看，我们希望系统能帮助将已解决的对话转化为可复用的知识，识别来源冲突，并在答案需要关注时引入合适的人。

当人员或代理需要时，知识会流向他们。他们学到的内容可以带着证据、归属信息和适当访问权限回流。下一个答案将从已完成的工作基础上开始。

最终，我们希望Stack Internal能在某人意识到需要提问之前就提供帮助。它应能展示相关决策、未解决的冲突或可能影响当前工作的空白。在实现这一目标之前我们还有很多需要验证和构建，后续会持续分享进展。

我们的目标是让组织中的艰难所得答案不会随着产生它的会议、聊天记录或AI对话而消失。每个决策和更正都应让后续工作更加容易。

创建一个免费的工作空间，探索Stack Internal并关注后续动态。