企业知识库的构建难度远超预期。在筹备 AI Maker Summit 上海站期间，团队面临文档繁杂的挑战：现场流程、预决算表、讲师大纲、PPT、SOP 及复盘文档等信息分散各处。
基于过往百余场大会的视频与内部资料沉淀，构建一个兼顾内外权限的知识库成为刚需。起初认为这仅是典型的 RAG（检索增强生成）场景：文档切块、Embedding 向量化、语义匹配即可。然而，耗费大量 Token 搭建的雏形在实际测试中表现不佳。
RAG 方案的局限性：检索质量决定上限
在查询“本次大会利润率”时，系统错误地返回了去年北京站的数据。究其原因，传统 RAG 仅基于语义相似度匹配，无法识别时间维度的差异，更不具备利用现有成本与收入数据进行逻辑计算的能力。
深入复盘发现，企业数据并非孤立存在。预算表关联特定届次的大会，支出对应具体供应商，讲师大纲则链接至 PPT、视频及复盘报告。这种复杂的实体关系网络，是单纯语义检索难以处理的痛点。
解决方案：腾讯乐享的企业级实践
针对成熟知识库、Agent 原生能力、第三方调用（如 Codex）、权限控制及文档治理等核心需求，腾讯乐享提供了完整的解决方案。
通过快速搭建团队并分类上传文件，系统展现了强大的处理能力。再次询问“本次大会利润率”，系统不仅识别出多份涉及支出的文档，还能自动核对版本差异，推理出准确的决算数据。
核心优势一：知识图谱与冲突检测
腾讯乐享的高准确率源于检索前的深度知识加工——构建知识图谱。系统将散落在不同文档中的同一实体（如项目、预算、人员）进行关联，清晰呈现版本演变与信息冲突。
相比传统 RAG 容易混淆多版本文档，知识图谱能精准判断资料的时效性与有效性。其内置的冲突检测机制，能在 Retrieval 环节前自动识别并标记不同部门或阶段产生的数据矛盾，确保输入模型的信息可信。
核心优势二：LLM Wiki 与 Agent 生态打通
平台提供的 LLM Wiki 功能，将非结构化的 PDF、Word 等原始资料转化为适合 Agent 理解和调用的结构化知识，解决了格式混乱与上下文缺失问题。
目前，腾讯乐享已打通 WorkBuddy、豆包工作等主流 Agent 连接器。用户可直接调用知识库生成复盘幻灯片，或让参会者通过自然语言查询大会详情。
此外，支持在 Agent 界面直接更新知识库内容，系统随即完成同步分析与文件归档，实现了知识与业务的实时闭环。
结语：为 Agent 提供可信 Context
从搭建到落地仅耗时数小时，这一过程重塑了对企业知识库的认知。它不仅是信息查询的入口，更是 Agent 运行时依赖的核心上下文（Context）。在未来企业 AI 落地的进程中，构建能够为 Agent 提供可信、结构化知识的底座，将成为最关键的基础设施。