企业知识库从‘被动问答’转向‘主动推送’：基于 Agent 的信息感知机制设计

企业知识库最常见的使用方式，是员工遇到问题后主动提问，系统再从文档、会议记录或内部页面中检索答案。这种模式本质上是“被动问答”：知识库等待用户发起请求，检索链路也从问题文本开始。真正的主动知识服务，则要进一步理解用户正在做什么，在信息与当前任务高度相关、且推送风险可控时，把知识送到用户面前。

从传统 RAG 到主动 Agent，变化不只是“自动检索”

传统 RAG 的交互链路通常是：用户提出问题，系统理解问题，检索相关内容，生成回答，再把结果返回给用户。它的优势是边界清晰，用户知道自己为什么得到这份答案，也更容易控制调用成本和响应时机。

主动 Agent 的链路则从事件开始：系统感知用户正在编辑的文档、参加的会议、浏览的页面或执行的业务动作，随后识别上下文，判断是否存在知识需求，再检索候选内容，评估相关性和权限，最后决定推送、延迟推送，还是保持沉默。这里最关键的变化，是“检索什么”之前多了一层“现在是否应该检索”。

这也解释了主动知识库的难点：如果触发过于敏感，系统会把每一次操作都当成机会；如果触发过于保守，用户又感受不到主动服务的价值。Agent 不能只具备查找能力，还需要具备“不打扰”的判断能力。

触发机制：先判断事件，再判断知识需求

触发器不应直接等同于“用户打开了某个页面”。一个有效的 Trigger，至少要包含事件、上下文和触发条件三部分。

事件可以来自文档编辑、会议开始、任务状态变化、页面切换、评论出现或内容发布等操作。上下文则包括当前内容的主题、用户角色、所在团队、任务阶段以及用户是否已经查看过相关资料。触发条件用于限制事件的解释范围，例如只有当文档出现明确的主题变化、风险词或待确认内容时，才进入后续判断。

与其把所有事件都交给大模型自由判断，不如先用低成本规则做过滤。比如，连续输入过程不适合频繁触发分析，短暂打开页面也不代表用户产生了知识需求。只有满足一定的停留、内容变化或任务状态条件，事件才应进入 Agent 的上下文理解环节。

会议场景也需要类似处理。会议开始本身通常不是推送理由，议题变化、待决策事项出现、参会者提出事实性问题，才更接近可用的知识触发点。对于正在编辑的文档，标题变化可能只是正常修改，而一段内容与已有规范、历史方案或相关项目资料产生明显关联，才值得进入候选推荐流程。

Trigger 的三层设计

第一层是事件过滤，负责判断这是不是一个值得处理的操作事件。它主要解决频率问题，避免每一次键盘输入、页面刷新或鼠标移动都启动 Agent。

第二层是语义识别，负责判断当前上下文涉及什么主题、任务或问题。此时可以结合文档片段、会议议程、用户当前动作和已有任务信息，但不能只依赖单句文本，否则容易把普通表达误判成明确需求。

第三层是知识候选生成，负责从有权限访问的企业内容中找出可能相关的资料。候选内容应保留来源、更新时间、适用范围和权限信息，便于后续判断，也便于用户核验。企业知识层如果无法正确传递用户授权上下文，主动推送会放大信息泄露风险，因此权限校验应当发生在候选生成和最终展示两个环节，而不是只在回答生成后补做。

Confidence Score：把“相关”与“值得打扰”分开

主动推送不应只有一个简单的相关性分数。内容可能与当前文档相关，却并不值得打断用户。更稳妥的做法，是把 Confidence Score 设计成多个维度的综合判断。

可以将分数拆成以下几类信号：

• 语义相关性：候选知识与当前操作上下文是否讨论同一主题。




• 任务匹配度：这份知识是否能帮助用户完成当前阶段的任务，而不是仅仅“看起来相关”。




• 时效与权威性：内容是否来自仍在维护的知识，是否存在更新或过期风险。




• 用户适配度：用户的角色、团队和权限是否与内容的适用范围一致。




• 意图明确度：用户是否表现出需要帮助的信号，例如停留、反复修改、提出待确认事项或进入决策节点。




• 打扰风险：近期推送频率、用户是否忽略过类似内容，以及当前是否处于不适合打断的状态。

因此，最终分数不应只回答“这份资料相关吗”，还要回答“现在推送合适吗”。可以把相关性和打扰风险分别计算，再通过策略层合并。这样，即使一份资料高度相关，只要用户刚刚看过同类内容，或者当前处于连续编辑状态，系统也可以选择延迟或不推送。

推送策略：高分不一定意味着立即弹窗

主动 Agent 至少需要三种结果，而不是简单的“推送”或“不推送”。

当相关性和意图都较强时，可以展示一张简短的知识卡片，说明推荐原因，并提供查看原文的入口。推荐原因应具体，例如“你正在编辑的内容涉及某项流程，知识库中存在一份适用范围相近的规范”，而不是只显示“为你推荐”。

当内容可能有帮助，但用户意图尚不明确时，更适合采用弱提醒或延迟汇总。它可以出现在侧边栏、任务摘要或会议结束后的整理区域，避免打断当前工作。

当候选资料存在权限不确定、内容过期、来源冲突或相关性不足时，应保持沉默。沉默不是失败，而是主动知识服务的安全边界。系统还应记录用户关闭、忽略、查看和采纳等反馈，用于调整后续策略，但不能把一次点击直接当成长期偏好。

推送阈值应当随场景变化

不同场景不应共用一套固定阈值。编辑文档时，用户通常需要连续思考，推送阈值应更谨慎；会议决策节点可能更需要及时补充背景，但仍要避免在讨论尚未形成方向时大量插入资料。高风险内容、权限敏感内容和可能影响决策的知识，也应要求更强的证据和更清晰的来源。

实际设计中，可以为不同场景配置不同的推送模式：

• 高置信度且低打扰风险：允许主动展示。




• 相关性较高但意图不明确：进入稍后查看或摘要区域。




• 内容来源存在冲突：提示“存在多个版本”，邀请用户自行核验。




• 权限或适用范围不明确：不展示正文，只保留必要的安全提示。




• 低相关性或重复推荐：直接过滤，不进入用户界面。

这里的阈值不是一次设定后永久不变的参数。知识管理团队应持续观察哪些推荐被查看、关闭、忽略或采纳，并区分“内容不相关”和“时机不合适”这两类反馈。前者需要改进检索与语义判断，后者则需要调整触发时机和展示方式。

让 Agent 保持可控，而不是追求最大自主性

主动推送最容易被忽略的设计，是用户控制权。用户应该能够关闭某类触发器、降低推送频率、查看推荐依据，并明确知道系统使用了哪些上下文。对于会议、私人草稿或权限边界复杂的内容，默认采用更保守的策略通常更合理。

输出也不宜一开始就完全自动化。可以先让 Agent 只生成候选知识和推荐理由，由人工或业务负责人审核推送规则；在确认系统能够稳定识别有效场景后，再逐步扩大自动推送范围。相关资料显示，面向知识工作者的 Agent 应在早期保留人工复核，以便发现系统性错误，再根据失败条件逐步增加自主程度。

对知识管理专家来说，重点不是把所有资料都接入 Agent，而是建立可维护的内容基础：清晰的权限、明确的适用范围、可识别的更新时间和可追溯的来源。对 AI 产品经理来说，核心指标也不应只有点击率，还应关注误推送率、重复打扰、用户主动关闭、推荐后的任务完成情况，以及用户是否能够快速判断这条知识是否值得采用。

主动知识库的成熟标志，不是 Agent 推送得越来越多，而是它能在合适的操作节点提供少量、相关、可核验的内容，并在证据不足时主动克制。只有把 Trigger、Confidence Score、权限控制和用户反馈放进同一条交互链路，企业知识库才可能从“等待提问的搜索框”转变为真正理解工作上下文的知识助手。