知识沉淀：把专家经验变成 AI 能用的知识资产
- 搞清楚为什么隐性经验留不住、AI 也用不上，打消"先记下来再说"的幻觉
- 能识别哪些专家经验值得沉淀（高频/关键/易流失三条判断标准）
- 掌握专家经验萃取 5 步法，拿到一份可落地的操作清单
- 知道怎么把萃取结果组织成知识库、RAG 或 Skills，以及如何让它持续更新而不烂尾
老师傅请假那天，订单积压了三天。
不是没人接活——是没人知道他处理那类问题的判断逻辑。他脑子里有一套十几年积累下来的"遇到什么情况，先看哪里，再怎么处理"，从没有被写下来过。他自己也说不清楚，只说"上手多了就懂了"。
AI 能帮你吗？不能。AI 只能使用你给它的信息，它不会自己去访谈老师傅，不会从聊天记录里拼出一套完整的判断框架。 你不沉淀，AI 就是零基础的新人——哪怕它理解能力再强，也帮不上这个忙。
这一节讲的，是怎么把"老员工脑子里的经验"变成 AI 能调用的知识资产。
为什么经验留不住，AI 也用不上
大多数公司的知识现状是这样的：
- 80% 的经验在人身上，不在文档里。在老员工的直觉判断里，在老板的"你去问老张"里，在某个销售的话术语感里。
- 剩下 20% 在聊天记录和邮件里，散装的、碎片化的、没有结构的。
- 文档里的内容往往是给人看的，不是给 AI 检索的：大段说明性文字、没有例子、没有决策逻辑、结构模糊。
AI，尤其是基于 RAG（检索增强生成）的系统，需要的是结构清晰、可被检索、有判断依据的文档。"会议纪要 20230517"和"关于某项目的若干思考"这类文档，AI 检索到了也没法用。
隐性知识之所以难沉淀，有三层原因：
一是专家本人说不出来。 真正的经验往往是内化的，变成了"感觉对"的直觉。你让他写出来，他写出来的是"规范动作"，不是他真正在用的判断逻辑。
二是没有沉淀的激励。 整理经验要花时间，而这件事在短期内没有 KPI 收益。一线员工优先把手头的活干完，"整理经验"永远排在最后。
三是一次性整理了就烂尾。 某年某月花了三天做了一次"经验梳理"，产出了一份 Word 文档，然后放在共享盘里再没人动过——过了六个月，里面一半内容已经过时了。
这三个问题不解决，知识沉淀就永远停在"计划做"阶段。
先想清楚：哪些经验值得沉淀
不是所有经验都值得系统化沉淀。时间和精力有限，先挑最值钱的。
判断一条经验是否值得沉淀，用三条标准：
| 标准 | 说明 | 判断示例 |
|---|---|---|
| 高频 | 这件事每周/每月都会发生，不是偶发 | "客诉处理"高频，"服务器宕机恢复"低频 |
| 关键 | 做错代价高，或差异化体现在这里 | 大客户谈判策略、核心产品的质检标准 |
| 易流失 | 经验集中在少数几个人身上，一旦离职就断 | 只有老张懂的那套，只有创始人知道的那套 |
满足两条就值得沉淀，三条全中要优先沉淀。
不值得沉淀的：低频、结果差异不大、随处可查的通用知识（比如怎么用 Excel 做透视表）。把精力集中在"只有我们公司才有的判断"上。
专家经验萃取 5 步法
知道该沉淀什么之后，问题变成"怎么萃取"。专家说不出来，你问"你处理这类问题的方法是什么"，他大概率给你一个正确但没用的答案。
以下是一套经过实践验证的 5 步萃取法，核心在于用具体案例驱动，而不是直接问抽象方法论。
第 1 步：收集真实案例，而不是请他写文档
让专家写"我的经验总结"，多数是灾难。让他发给你三个最近处理过的真实案例（哪怕是微信截图、邮件记录、工作记录），则容易得多。
操作方式：
"最近三个月，你处理过哪些让你印象深刻的（这类问题）？
随便发我几条记录就行，不用整理。"
收到材料后，你来整理，不要让专家花时间格式化。
第 2 步：结构化访谈——追问"然后你怎么判断的"
有了案例，约 30—45 分钟做一次结构化访谈。
访谈的核心不是"你的方法是什么"，而是**"在这个案例里，你当时看到了什么、怎么判断的、为什么这样处理而不是那样处理"**。
访谈提问模板：
- "你当时第一步先看什么？为什么先看这个？"
- "看到 X 之后，你判断这是 Y 情况，依据是什么？"
- "如果是 Z 情况，你会怎么处理，跟这次有什么不同？"
- "你见过这件事做错的，一般是在哪一步出的问题？"
- "这套判断，新人通常要多久才能懂？哪里最难懂？"
问到第 4 题的时候，往往才开始挖出真正有价值的判断逻辑——因为反面教训比正面描述更具体。
第 3 步：录屏/录音 + 实时记录，别靠事后回忆
访谈过程中，有两件事要同时做：
- 录音（提前说清楚用途，一般不会拒绝）：保证事后能还原，别靠记忆
- 实时记录判断节点：专家说出一个判断逻辑时，立刻记下来，格式是 "[触发条件] → [判断] → [行动]"
例子：
[客户报价完全没回应超过 3 天] → [判断：决策权不在对方] → [行动：要求约到更高层]
这种"触发条件 → 判断 → 行动"三段式，就是 AI 能直接用的知识形态。
第 4 步：整理成结构化文档，送回专家校验
访谈完，24 小时内整理成文档。格式推荐如下（以一个判断场景为例）：
场景：[具体描述触发这套经验的情境]
核心判断逻辑：
- 看到 A → 判断是 X → 处理方式是...
- 看到 B → 判断是 Y → 处理方式是...
- 看到 C 且同时有 D → 优先处理...
常见误判：
- [新人容易在哪里判断错] → [为什么会错] → [正确判断是]
背后原因（非必须，但有助于理解）：
[这套逻辑背后的业务/产品/客户逻辑]
整理完，发给专家，让他标出"这里说错了"或"这里不完整"。校验这一步不能省，你整理的理解和他的真实意图可能差很远。
第 5 步：打上元数据标签，纳入知识库管理
文档本身整理好之后，还需要加上元数据，让它在知识库里可以被检索、被分类、被知道是否过期：
场景分类: 销售/大客户/报价阶段
适用岗位: 销售、大客户经理
贡献人: [姓名]
创建日期: 2026-06-25
最后验证日期: 2026-06-25
有效性周期: 建议每季度核查
关联场景: 客户异议处理、合同谈判
有了元数据，知识库才是可管理的，不是乱放一堆文件。
怎么组织成 AI 可用形态
萃取完之后，经验变成了结构化文档。接下来要决定：这份经验怎么接入 AI，让它真正能被调用？
有三条路，不互斥，按需组合：
路径一：知识库文档 + RAG 检索
把文档放进 AI 的知识库（无论是 Notion AI、飞书知识库 AI 问答、还是企业自建的 RAG 系统），让 AI 在回答问题时能检索到它。
适合：场景多、判断逻辑复杂、不同情况对应不同处理方式的经验。
注意：文档要写给 AI 检索，而不是给人浏览。段落要短、判断要清晰、关键词要出现在文档里（不是只在标题里）。详见 RAG 是什么。
路径二：写进提示词系统
如果某段经验是"每次处理这类任务都需要的背景判断"，可以直接固化进提示词的"上下文"段。
例如：某公司销售团队，把"我们的大客户通常有三类决策结构"这段经验，写进了所有销售相关 AI 任务的系统提示词里——每次调用时，AI 都有这个背景。
适合：高频使用、判断逻辑相对稳定的经验。提示词库的建设方法见 团队提示词库：从散乱到统一可复用的落地指南。
路径三：封装成 Skills（AI 工具/函数）
如果某段经验可以被标准化成"输入什么 → 输出什么"的流程，考虑封装成 Skills 或 AI Workflow。
例如：把"大客户背景调查"封装成一个 Skill——输入公司名称，按固定流程输出竞争格局/关键联系人/历史合作记录分析。
适合：有明确输入输出、可重复执行、步骤固定的专家流程。
怎么让知识持续更新，而不是一次性烂尾
沉淀下来的知识，最大的威胁是过期。业务变了、产品升级了、客户画像变了，但知识库还是两年前的——这比没有知识库更危险，因为你以为 AI 有正确答案，其实喂给它的是过时信息。
持续更新要解决三个问题：
谁来更新？ 指定"知识库主"，负责每季度做一次整体审查。但日常更新不能全靠一个人——要让一线员工在使用过程中顺手回写。
怎么让一线愿意回写？ 降低摩擦：不要求写成完整文档，允许在知识条目下面加一条"2026年6月更新：这种情况现在改成这样处理"就行。评审完再正式更新。形式越轻松，回写率越高。
怎么知道哪些内容过期了？ 两个信号：①AI 给出的答案被一线反馈"不对"的频次增加，说明知识库某块过期了；②业务发生了可预见的变化（产品升级、政策调整、客户结构变化）时，主动触发对应知识块的审查。
反面教训：最常见的三类烂尾
烂尾一：整理完就放进共享盘，从此无人问津
格式很漂亮，Word 文档，几十页。共享盘链接发出去，大家"收到"了。半年后，你问谁能找到它，没有人知道路径。
教训：知识库不接入日常工具就等于不存在。建好就要回答"用 AI 的时候，在哪里打开它"这个问题。
烂尾二：文档写给人看，AI 检索不到
大段说明性文字，没有关键词密度，没有结构化段落。AI 检索时匹配不上，或者匹配到了但没法用其中的判断逻辑来回答问题。
教训：给 AI 用的文档，写法和给人浏览的文档不一样。核心是把判断逻辑拆成可检索的片段，而不是写综述。
烂尾三：没有人对更新负责，知识库慢慢变成过期资产
沉淀了很多，但没有机制保证更新。一年后，里面的内容有 30% 已经不适用，但没人知道是哪 30%——导致一线不敢用，又懒得删，知识库就这么沉默死亡了。
教训：沉淀是起点，更新机制才是让知识库有生命力的关键。没有更新机制，再好的知识库也是定时炸弹。
与提示词库、RAG、Skills 的关系
理清楚这几个概念的关系，有助于知道你现在该做什么：
知识沉淀是地基。 没有经过萃取和结构化的经验，RAG 检索不到，Skills 封装不了，提示词写不出。
提示词库是直接应用层。 把沉淀好的经验和规范，以提示词的方式固化，让 AI 每次执行任务时都带着这套上下文。具体方法见 提示词模板沉淀：按场景与岗位系统整理。
RAG 是检索层。 经验量大、场景多的情况下，靠提示词放不下，用向量检索让 AI 在需要时找到对应的知识片段。
Skills 是工作流封装层。 当某段经验被标准化成可重复执行的流程，封装成函数/Agent，按需调用。
这是一条从"沉淀"到"调用"的完整链路，缺哪一环，AI 用起来都会卡。
常见问题
我们公司就十几个人，值得做这件事吗？
越小的团队，越依赖少数几个人的经验，知识流失的风险反而更高。规模小的好处是：萃取工作量小，不需要做几十份文档，选 3—5 个最核心的场景开始就够了。小团队做知识沉淀，往往比大公司更容易看到效果。
专家不愿意配合，怎么办？
大多数"不愿意"是因为"整理文档太麻烦"。解决方案：一是不让他整理，让他只是接受一次访谈；二是把成果发回给他看，让他感受到"被整理出来的东西确实值钱"；三是让他看到同事用这份文档在 AI 里跑出了好结果——利益驱动比道德劝说管用得多。
怎么判断知识库建得好不好？
一个实用标准：把你沉淀的文档给一个完全不熟悉这块的新人，让他把文档喂给 AI 来处理一个真实案例——如果 AI 给出的答案让老员工觉得"基本对路"，说明文档质量过关。如果 AI 给的答案让老员工皱眉，说明文档还需要继续萃取判断逻辑。
沉淀的经验涉及商业敏感信息，怎么处理？
首先，文档里不要放具体的客户名称、合同金额等数据，只保留判断框架和处理逻辑。其次，知识库要有访问权限管理，不是全员开放。敏感度高的判断逻辑，可以放在内部私有的知识库里，不与公开 AI 工具共享。
下一步
- 你已经知道了隐性经验留不住的三层原因
- 有了"高频/关键/易流失"三条盘点标准
- 拿到了专家经验萃取 5 步法（案例收集 → 结构化访谈 → 录音记录 → 整理校验 → 元数据入库）
- 清楚了知识库/RAG/Skills 三条接入路径，以及各自适合什么场景
- 知道了让知识持续更新而不烂尾的关键机制
下一步：有了知识资产，要让 AI 真正用起来，最直接的入口是团队提示词库——见 团队提示词库：从散乱到统一可复用的落地指南。要理解 RAG 技术原理，见 RAG 是什么。了解整个组织 AI 落地体系，见 AI 时代的组织与管理。
👉 看看 AI 时代的组织与管理 专栏，或了解 AI 时代管理者认知课。需要定制落地与陪跑，欢迎聊 企业服务。