当关键知识只存在于少数专家的经验、判断和口头解释中，组织就很难稳定地复用这些能力。一个面向特定领域的 AI agent 可以承担“第二专家”的角色：让更多人随时访问专业知识，也让专家经验得到保存、审计和持续迭代。
这类系统的重点不只是接入一个大模型，而是把专家知识组织成可追溯的结构，并把专家参与学习的过程纳入系统工作流。
不只是一个领域问答机器人
普通的领域 agent 往往围绕文档检索和问答展开：用户提问，系统搜索资料，再让模型生成答案。这样的方案能解决信息查找问题，却不一定能复现专家的判断过程。
组织第二大脑需要同时处理两层能力：
- 结构化、可审计的知识架构：记录事实、规则、例外、决策依据、来源和版本。
- 专家知识的持续学习机制：让专家能够纠正答案、补充上下文、解释取舍，并把这些反馈沉淀为可复用资产。
两层结合后，系统输出的不应只是“一个看起来合理的答案”，还应该能回答：这个结论来自哪里、适用于什么范围、由谁确认、什么时候更新，以及哪些地方仍然存在不确定性。
把专家经验拆成可验证的知识单元
可以把一条知识表示成一个带元数据的单元，而不是直接把专家对话全部塞进向量数据库。一个实用的知识单元至少包括：
claim：可被验证的结论或规则。scope：适用的产品、地区、流程或时间范围。evidence：支持该结论的文档、案例或专家说明。owner：负责维护这条知识的专家或团队。status：草稿、已确认、已废弃等状态。version：变更版本和更新时间。
这种设计让检索和生成之间多了一层治理。模型可以引用知识，但不能轻易把未经确认的草稿包装成组织标准。
例如，一条运营规则可以写成：
{
"id": "refund.rule.001",
"claim": "订单发货后，普通商品的退款申请需要人工审核。",
"scope": {
"product": "普通商品",
"stage": "已发货"
},
"evidence": [
{
"type": "policy",
"ref": "policy/refund-v3",
"quote": "已发货订单不支持自动退款。"
}
],
"owner": "after_sales_team",
"status": "approved",
"version": 3,
"updated_at": "2025-01-15"
}
示例中的字段和流程是实践建议，不代表来源文章披露了具体的数据格式。真实系统还需要根据权限、合规和领域术语进行调整。
让回答带着证据和边界
第二大脑的回答流程可以分成四步：
- 解析问题，识别领域、对象和用户想要的决策。
- 检索相关知识单元，并优先选择已确认、范围匹配且版本有效的内容。
- 生成答案，同时返回证据、适用条件和不确定性。
- 把用户或专家的修正记录为反馈，进入审核和版本发布流程。
下面是一个可以直接运行和改造的 Python 最小示例。它不依赖外部模型或数据库，使用内存中的知识单元演示“只引用已确认规则，并返回出处”的核心逻辑：
from dataclasses import dataclass
from typing import List
@dataclass
class Knowledge:
id: str
claim: str
scope: str
evidence: str
owner: str
status: str = "draft"
KNOWLEDGE = [
Knowledge(
id="refund.rule.001",
claim="订单发货后，普通商品的退款申请需要人工审核。",
scope="退款 / 普通商品 / 已发货",
evidence="policy/refund-v3，第 4.2 节",
owner="after_sales_team",
status="approved",
),
Knowledge(
id="refund.rule.002",
claim="未发货订单可以进入自动退款流程。",
scope="退款 / 普通商品 / 未发货",
evidence="policy/refund-v3，第 3.1 节",
owner="after_sales_team",
status="approved",
),
]
def answer(question: str) -> str:
matches: List[Knowledge] = [
item for item in KNOWLEDGE
if item.status == "approved"
and any(keyword in question for keyword in item.scope.split(" / "))
]
if not matches:
return "没有找到已确认且范围匹配的规则，请转交领域专家审核。"
lines = ["基于已确认知识："]
for item in matches:
lines.append(f"- {item.claim}")
lines.append(f" 证据：{item.evidence}")
lines.append(f" 维护者：{item.owner}")
lines.append("请确认订单状态和商品类型后再执行。")
return "\n".join(lines)
if __name__ == "__main__":
question = "普通商品已发货，客户申请退款怎么办？"
print(answer(question))
运行方式：
python second_brain.py
生产环境中，可以把 KNOWLEDGE 替换为带权限控制的数据库或知识服务，把关键词匹配替换为混合检索，再把最终回答交给模型生成。无论底层实现如何变化，证据引用、知识状态和人工升级路径都应该保留。
专家反馈不是一次性标注
专家参与的价值不只在于“给答案打分”。更有价值的反馈包括：
- 指出结论适用范围过宽。
- 补充一个容易被忽略的例外。
- 说明两个规则冲突时应采用的优先级。
- 标记某份政策已经过期。
- 解释为什么某个答案虽然结果正确，但推理路径不适合复用。
这些反馈应当形成清晰的生命周期：草稿提交、专家审核、版本发布、线上采纳、效果评估和定期复审。对于高风险领域，还需要保留原始证据和审批记录，避免模型输出成为无法追责的“黑箱意见”。
落地时先处理边界，再扩大覆盖面
组织第二大脑的难点通常不在于让模型回答更多问题，而在于控制它什么时候应该回答、什么时候应该引用证据、什么时候必须交给人处理。
可以从一个边界清晰的领域开始：
- 选择一类专家经常重复回答的问题。
- 先整理少量高价值规则和例外，而不是一次性导入所有文档。
- 给每条知识分配维护者、状态和复审时间。
- 评估答案正确率之外的指标，例如证据命中率、越权回答率、人工升级率和知识过期率。
- 对未确认知识、冲突知识和超出适用范围的问题默认保守处理。
最终目标不是让 AI 取代专家，而是把专家的判断变成可访问、可验证、可维护的组织能力。只有当知识能够被追溯、被修正并持续积累时，它才真正从个人经验变成组织资产。