从本质来看，通过知识的可信接入、知识图谱和本体的串联以及对上下文体系的自动更新，腾讯乐享打造的恰是一个Agent理解企业和执行任务的核心路由模块。

在这个微缩的“企业地图”内，Agent不仅可以充分全面地理解真实企业业务，同时基于内置在其中的数据血缘关系、权限安全体系，Agent可以做到对对指令准确、智能、安全的回答。

作者|皮爷

出品|产业家

“在知识问答上，最开始我们定了三条路径，一个是咨询公司主导，需要3到5年时间，一个是全自研，也需要12到18个月起步，最后一个是平台主导，场景试点，半年到1年就可以见到效果。”OPPO高级产品经理王雪晴在腾讯全球数字生态大会现场表示，“最终我们选择了第三条路。”

一个明确的事实是，在当下的2026年，对大部分企业而言，AI的命题已然从观望全面走向真实落地，越来越多企业CIO甚至是CEO开始亲自上阵，围绕核心业务搭建AI体系。而在模型和算力之外，一个尤为重要的环节恰是：上下文。

王雪晴所说的知识问答，也就是知识库正是这个关键AI环节的核心载体。来自Gartner和IDC的权威报告显示，拥有成熟知识管理底座、RAG/知识中台的企业，在成熟上下文的加持下，往往能做到更高的AI ROI投入产出比。

相较于过去数字化时代静态、存储型的知识仓库，如今的知识库更等同于企业上下文的土壤，在一众场景中，它甚至在成为Agent执行表达的核心路由，其为Agent提供所需的企业专属知识理解、执行权限体系等等，让Agent成为专属于企业自身的AI生产力工具。

这也恰是过去几年在OPPO等企业内部正在紧锣密鼓推进的AI工程。一组最新数据是，基于统一的知识底座和知识运营，OPPO通过推动知识问答项目的AI拦截率从70%提升至77%，客户满意度达到98%。

同样的价值呈现也在潮宏基内部。根据相关负责人透露，基于统一的知识底座，潮宏基把制度和门店经验转化为一线可调用的知识，新人培养周期整体缩短2/3。

在这些企业中，腾讯乐享是一个不断出现的身影。一个事实是，脱胎于腾讯18年内部知识管理底座的腾讯乐享，在AI时代正站在台前，成为一众金融、零售等企业们的新晋AI上下文底座选择。

那么，从AI生产力的视角来看，于当下而言，企业到底需要怎样的知识库和上下文体系？又或者说，对腾讯乐享而言，其如今能为企业搭建出一个怎样的Agent表达土壤？

在这次腾讯全球数字生态大会上，腾讯乐享交出了自己在AI时代的第一张全面答卷。这张答卷上的回答不止是知识库，也更不仅是关于AI。

一、RAG共识下，“80分的知识库”

如果把视角拉到AI在中国企业市场的落地，一个真实的情况是，OPPO和潮宏基的AI价值落地只是个例。

就AI真实的落地来看，伴随着模型智能初步“见顶”、MaaS服务体系的成熟以及算力侧持续普惠，AI大模型进入企业场景的智能关和成本关已经被趟平，但如何把AI智能转化为企业自身的业务智能，这是一个更难的事。

今年9月，德勤和香港大学联合发布了一份AI落地的权威报告，在面向金融、制造、零售等诸多产业企业的调研中，有接近50%的受访企业表示AI项目的实际回报低于预期，企业预期 AI 投入的 ROI 大多在 10%-25%，但多数企业实际收益不足 10%。

问题出在哪？在组织、数据、安全和业务落地等多重现实因素之外，其中一个尤为值得关注的环节，恰是上下文。

过去两年里，一个和“上下文”相关的热词已经被无数企业开始真实落地在自身的业务场景，它就是RAG。对其的一个通俗解释是，其可以让AI大模型在具备通用智能的基础上，更理解企业业务，针对企业业务情况和组织形态进行针对性地表达。RAG的具体落地形态则正是一个个知识库。

但只基于RAG的方式构建AI和Agent表达的土壤，还远远不够。“今天的RAG非常标准、有效，可以解决大部分的问题，可以使企业知识库的运用达到80分，但80分实际的业务够吗？和过去客户的交流来看，大家往往提出希望准确率是95%，我们和CXO、老板沟通时，他希望这个数据是百分之百。”腾讯乐享总经理周芝芝表示。

诚然如此。相较于C端场景，在真正的企业场景中，AI被期待和要求给出的答案要尽可能准确，甚至在部分场景要绝对准确，比如针对产品的定价销售话术，比如营收的具体归因，比如产品的准确政策等等。

但仅基于RAG的手段，这些都很难被实现。从真实的产业落地来看，大部分企业基于RAG构建的知识库往往会面临三类问题。

首先，回答不全面。尽管知识库是Agent理解和执行的基础，但对AI而言，如果知识库没有明确的知识分类、列项、数据来源，以及规则约束，Agent在面对具体问题时往往会给出部分相关答案，而非全部相关答案。

其次，回答不准确。即对大部分企业而言，其往往会遇到的一个真实问题是，Agent很容易陷入“答非所问”的模式，即使知识库内有相应的“黑话”话术，其也很难针对具体的问题进行实时反应，甚至会产生一定的幻觉。

最后，也是最核心的问题，数据黑盒和常态治理。前者对应的是在很多企业内部，基于知识库Agent给出的答案往往很难回溯和定位到出处、源文件，换言之，答案的正确与否很难判断、很难归因；后者则是基于常态RAG手段构建的知识库往往很难基于最新的资料更新进行自主的常态化更新，仍和过去的知识库一样，需要专人上传以及大精力维护。

客观来看，这些问题已经很难称之为知识库的问题，更准确的说，是企业很难仅仅基于RAG构建出一套Agent价值表达的上下文环境，或者说一套准确、可信的AI路由体系。

这并不是一件容易的事。如果要打造一个可信、准确的上下文，其中涉及到的不单纯是肉眼可见的结构化、非结构化的数据治理，其中还涉及到一系列的知识工程难题，比如数据之间的血缘关系，比如对不同来源数据的无缝接入、纳管和转化，以及对权限体系、数据安全的底座打磨。

100分的知识库，或者是上下文体系，到底应该怎么建？

二、可信上下文背后，腾讯乐享正式交卷

这恰是在这次腾讯全球数字生态大会上，腾讯乐享交出的答卷。恰如前文所言，腾讯乐享过去多年更等同于腾讯知识层“上下文”的管理模块，在如今的AI时代，这种能力被其正式放到台前。

而在这次大会上，其又更进一步——一个可信的上下文体系被其全面交卷。 “可信需要各层协同，我们重点负责让输入模型的企业知识来源清楚、关系明确、使用有边界，出现问题后能够追溯和修正。”周芝芝告诉产业家。

对可信的更本质理解是，其等同于一套真实、实时的上下文体系，在这套体系内，企业的各个业务毛细血管都被完整呈现和串联，对应映射出一个完整的企业业务体系，在这套体系的约束下，Agent不仅可以获得更全面的企业知识全局洞察，更可以在回答和执行时“按图索骥”，基于其中不同维度的数据和数据之间的相互串联以及对应的权限体系进行准确合适地表达。

在这套可信上下文体系内，有三个能力模块构成了核心支点，而这也正是腾讯乐享的最新能力升级：可信连接、可信索引、可信治理。

首先第一步，让知识的流入可信、安全，也就是可信连接。相较于目前市面上不少产品在接入时遇到的数据量大、打散上传等问题，腾讯乐享可以做到根据CRM、ERP等企业软件源系统的特点选择整库导入、增量同步或实时检索，在知识库中保留原有数据体系的来源、路径、更新时间、权限等信息，同时解析文档时保留标题层级、表格和上下文，保证规则的条件与结论完整。

其次，可信索引。“可信索引不是给搜索结果贴一个“可信”标签，而是帮助AI知道去哪里找、找到的知识有什么关系、在什么条件下可以使用。”周芝芝告诉产业家。

从某种程度来说，这也看作为Agent专门打造的企业地图。即腾讯乐享会基于本体、知识图谱和词条卡片（LLM Wiki）的形式，构建出一个对应业务的完整知识上下文体系，其中本体负责描述业务对象、属性和规则，图谱连接分散的线索和知识，Wiki则是形成带依据的综合知识表达。

周芝芝告诉产业家，不论是本体还是知识图谱，腾讯乐享都不会只依赖AI，而是会和业务人员一起进行不同业务关系、业务事实的确认，最终构建成符合企业真实业务情况的可信知识索引。

最后，知识治理。其对应的也恰是前文提到的知识库需要定时、定点更新的问题，即基于这个能力模块，在接入内容更新后，乐享可以辅助识别知识的重复、冲突、过期等等问题，并由相应业务责任人确认有效版本和适用规则，实时更新企业在对应模块的“本体”和知识图谱，完成可信上下文体系的更新。

从本质来看，通过知识的可信接入、知识图谱和本体的串联以及对上下文体系的自动更新，腾讯乐享打造的恰是一个Agent理解企业和执行任务的核心路由模块，在这个微缩的“企业地图”内，Agent不仅可以充分全面地理解真实企业业务，同时基于内置在其中的数据血缘关系、权限安全体系，Agent可以做到对对指令准确、智能、安全的回答。

此外，周芝芝也更表示，“可信的过程我们也做到了‘可见’，对用户的回答可以做到关联原文，能展示回答的依据来自哪里，以及包括图谱探索、节点关联文档、来源追溯、治理检查及操作日志，这些都是过程中可信可见的具体落点。”

可以理解为，这种可见的意义在于不仅是从AI到业务侧的归因定位，其更本质的价值在于让企业知识库成为真正可设计、可进化、安全可控的上下文中台和Agent土壤。

三、一条以点带面、从“实际效果”出发的AI价值路径

“不论模型层怎么变，Token的成本如何降，我们觉得企业自己花功夫构建的真实业务场景的上下文是不会衰减、不会变化的，也会是一直持续有价值的。”腾讯乐享FDE相关负责人表示。

诚然如此。一个足够真实的行业共识是：上下文，已经成为越来越多企业在2026下半年，甚至即将来到的2027年的头号AI工程——在模型智能达到可用的当下，一个优质、可信的上下文体系正在成为企业能否使用好AI，将其转化为真正具备生产力价值、可创造营收和提效的关键。不少企业告诉产业家，其战略优先级甚至要早于模型和算力。

这也是在AI侧跑出实际效果企业的真实写照。比如前文提到的中信建投证券，其如今将知识中台与智能体开发平台共同纳入AI能力体系；云南白药将乐享作为AI知识底座的核心载体之一；OPPO则提出向“知识操作系统”演进，进一步连接用户画像与业务知识，通过知识操作系统让Agent更懂人。

“其实乐享要做的既不是要替代CRM、ERP或数据仓库，也不是包揽所有业务决策的系统。我们是想让Agent在执行前获得企业认可的事实与规则，在执行后把经过确认的新成果沉淀下来。具体审批、交易或设备操作，仍应由相应业务系统和获授权的执行流程承接。”周芝芝告诉产业家。

实际上，在腾讯乐享的上下文知识建设中，产品只是一方面，针对不同企业的不同情况，腾讯乐享会派遣FDE团队帮助客户进行实施落地。

一个具体的执行路径是，腾讯乐享FDE团队会和客户一同先确认场景和任务类型，同时对齐中间的验收和ROI指标，之后进行一系列如权威知识源、业务口径、权限及责任人的模块确认，先跑通“最小可行方案”，同时用真实问题和异常样本完成效果、权限和成本验收，正式上线后持续优化，把有效方法沉淀为企业模板。

这恰是腾讯乐享，甚至是腾讯云整个FDE的风格——在帮助企业落地AI的路径上，其会优先选择证明一个场景的价值，再把知识标准、权限机制和反馈闭环复制到更多部门，而并非“大而全”的上线全部工程。

客观来看，相较于自上而下的AI战略设计，这种以点带面，自下而上的AI落地模式如今也在被越来越多企业接纳——单个场景验证和测算好AI ROI，用沉淀下来的适合企业的方法论逐步扩展到全部场景，“先智能”带动“后智能”。

“其实我们的FDE同学并不会从“我们会什么”出发，而更多是从问题出发，如果企业要做常规制度查询，基础RAG可能就够了；步骤固定的任务，可以用Workflow；需要动态探索的任务，再引入Agentic RAG；确实涉及复杂关系和规则，才会增加本体与图谱。”周芝芝表示，“我们FDE服务团队的价值，就是帮助客户做这个判断，并把必要的专业配置封装起来，而不是把所有技术名词都变成客户的学习门槛。”

在她看来，腾讯乐享的核心任务就是帮追企业持续解决企业知识如何变成业务能力的问题，让Agent更能真正读懂企业，理解企业。

这些从产品到FDE服务的模块也构成了腾讯乐享在当下的成绩单。一个官方数据是，截至目前，腾讯乐享已经在制造、金融、零售、医药等三十多个行业落地，服务企业数量超过40万家，在其服务版图上，有国民级的大型KA企业，也更有分布在各行各业的中小企业。

写在最后：

就在最近，知名咨询机构沙利文发布了一份《中国企业级AI知识库市场研究报告》的调查研究，在其中，基于多项维度的测评，腾讯乐享获得最高分数认定，位列市场第一。

在一系列指标之外，一个更值得被关注的点是开放。即腾讯乐享贯彻了腾讯一贯的开放哲学，支持和市面上全部主流AI和协同办公平台的兼容打通，可以帮助企业实现不同阵地之间无缝的知识连接和纳管。

此外，腾讯乐享还有另一个观察视角，即其价值不单纯在一个个企业内部，在看得见的市场报告中，也在如今腾讯的拳头产品WorkBuddy上。对外界而言，过去一年时间里，市场能感受到的是WorkBuddy在一个个企业内部的落地以及被越来越多中大型KA企业选型采购。

腾讯乐享，也恰是和WorkBuddy一齐进入一个个企业场景的核心上下文AI产品。

未来几年时间里，伴随着越来越多企业走到AI最后一公里、进行真正的AI价值落地，以及WorkBuddy在一个个企业内部的不断价值深化，双线并行下，腾讯乐享这个如今很难单纯称之为知识库、时刻保持开放的产品，将会帮助越来越多企业跨越从AI技术到AI生产力的关键节点。

可信上下文、Agent路由、Agent价值土壤、AI价值转换器……腾讯乐享的价值路，才刚刚开始。