*基于零点有数CTO陈保江
在零点有数AIKC战略发布会上的发言小结
火箭发射失败后的“归零”，可能是普通人最接近知识工程的一次认知。从巨系统到最小零件，从设计规范到制造数据——逐层复盘、逐项排查，直到找到根因。这套机制极其严谨，也极其昂贵。因此，在过去近半个世纪里，知识工程只存在于航天等少数“特种领域”。
大模型改变了成本结构，也带来了能力跃升：那些藏模糊的、隐形的经验共识——终于可以被捕捉、被结构化、被真正“知识化”。
但技术本身不等于落地。知识驱动型应用普遍面临三大痛点：需求模糊、知识沉默、决策依据不可信。零点有数（301169）为此构建了一套完整的AIKC一体化知识服务平台，以知识工程为驱动、需求工程锚定场景确定性，让AI从概率生成进化为可靠执行。
附图 零点有数CTO陈保江
技术底座：从数据编织到知识编织
AIKC平台分为基础层与能力层，形成了一条从数据到知识的完整流水线。
基础层包含“零渊”与“零犀”。零渊负责数据汇集，经清晰治理形成标准数据资产；零犀实现弹性算力调度，调度大小模型及算法引擎，保障计算与推理的确定性。
能力层包含“零壤”“零境”“零起”。零壤是基于本体论的知识底座，自动抽取实体、关系与属性，将隐性经验转化为显性知识，存入知识图谱，形成可计算、可进化的垂直领域知识。零境是智能体管理框架，负责智能体从启动、执行到知识检索、推理、校验的全生命周期（883436）管理。零起是协同编排引擎，动态选择大语言模型、知识图谱、规则引擎、OCR、求解器等组件，编排知识顺序，输出可溯源答案。
基于这一架构，零点有数（301169）提炼出一套覆盖“任务理解—知识抽取—推理检索—模型生长”的全链路工程化方法论，核心可以凝练为三步。
01
供需匹配，形成任务契约
许多AI项目效果不理想，并非技术问题，而是一开始的需求就没有理清楚。在真正启动AI之前，必须先想明白：我们要解决什么问题？
大模型可以随时生成一个似是而非的答案，但组织需要的是精准、可靠、可执行的输出。需求工程的核心作用，就是在AI“跑”之前，完成一次供需匹配。具体做法是：将用户的意图、知识卡片、规则三者对齐，识别出“用户想要什么”与“知识工程能提供什么”之间的缺口——用户需要什么样的知识推理和检索，知识工程能提供哪些知识、推理条件、经验。两者匹配之后，形成一份清晰完整的任务契约。
有了这份契约，AI不再是盲目执行的“答题器”，而是一个有边界、有目标的可靠执行体。组织在立项时就知道要建什么、买什么、衡量什么。
02
纵向解构，激活知识资产
每个组织都沉淀了大量文档——Word、PDF、Excel。但这些知识是沉默的：真要找一条历史经验，翻遍文件夹也未必能准确定位。常见错误是直接“切片”，把文档切成碎片喂给AI。结果知识更加零散，无法组织，更谈不上复用。
真正的解决路径是纵向解构。首先，理清既有知识的主线脉络——抽出每一份文档的主要逻辑、每一个分支的内在关系，形成完整的知识骨架。然后，分门别类地将文档中的文字、图片、表格等内容塞入对应的体系节点中。这样构建的不是碎片堆，而是一个有组织的知识结构。
在这个结构之上，才能萃取出真正的精华——知识卡片。作为“任务目标+解决思路+支撑数据”的最小推理执行单元，知识卡片用于需求工程中的供需对齐，用于智能应用中的知识推理与检索，也用于未来控制自主AI不失控的确定性逻辑约束。当沉默的文档被纵向解构成可调用、可组合的知识卡片，组织多年积累的数据与经验，才真正转化为AI时代的势能。
03
融合检索，编织证据链
知识卡片到位后，还有两个必须解决的问题：第一，知识是生长的、演化的，需要动态更新；第二，AI的检索结果必须有据可依，不能“凭空回答”。
为了应对这两个挑战，零点有数（301169）设计了融合检索与闭环生长并行的机制。融合检索采用多路并行策略——强推理检索、弱相关检索、语义检索作为兜底，将不同来源的检索结果进行整体重排，把每一个证据编织在一起，形成一条完整的证据链。AI基于这条证据链进行自主决策，决策结果与证据链共同输出。使用者可以清晰追溯每一个判断的来源。闭环生长，则是让系统从决策难度等多个维度，自动检查已有知识的完善度。一旦发现缺口，立即提醒知识专家进行补充，从而形成“决策—检验—补充—再决策”的持续进化闭环。
当每一次决策都有据可查，每一块知识都能动态更新，组织才敢把真正的判断权交给AI。那些被卡住已久的生产力，也才能真正释放出来。
当工程化取代依赖，确定性取代概率，企业才真正从“拥有数据”走向“拥有知识生产力”。AIKC的真正价值，正是把知识变成可交付、可度量、可信任的企业核心资产，形成一套可复制、可规模、可进化的底层能力，也是零点有数（301169）给出的答案。
