AI 赋能知识管理：捕获、组织、复用代码知识

作为人类，我们忘掉了很多东西，这并不奇怪，原因有很多，包括工作记忆的容量限制、对未使用记忆的主动清除，以及新信息对旧信息的干扰。

我最近读了一篇很不错的文章《为什么人会遗忘》，作为一个爱思考的人，我开始思考这与为什么科技圈最近都在谈论记忆功能的关系。

这不仅仅是关于 OpenAI 在 ChatGPT 公告中的记忆功能，还涉及记忆对于机器的含义——它关乎资源配置，这个问题是可以解决的。

对我来说，这是 AI 真正对我们的生活有所帮助、让我们变得更聪明的地方。这是捕获、组织和使用信息的更智能方式的开始，是 AI 知识管理的一个根本性转变。

我是那种容易忘记术语的人；我会记得整个概念，但当涉及那一个词时，我的大脑就想不起来了。

现在想象一下，如果我能问一个 AI 工具："嘿，我一周前引用过的那个关于管理流量的术语是什么？"然后它会给我提示负载均衡，以及我关于它的阅读资源。

在这篇文章中，我们将讨论 AI 的记忆功能如何能加速工作流程，支持有效的知识管理，尤其是当越来越多的团队开始用 AI 优化知识管理时。

AI 在知识管理中是什么？

在我们深入探讨 AI 知识管理系统之前，让我们退一步思考一下我们是如何走到这一步的。

知识管理在科技领域一直是一种必要的恶。它始于静态 Wiki、共享驱动和冗长的电子邮件线程。

随后是 Confluence 和 Notion 的黄金时代——我们集体决定："让我们让文档更漂亮、更协作。"

说实话，它们确实有所帮助。

但让我们面对现实：这些工具仍然期望人类记住东西在哪里，定期更新它们，并且确切地知道搜索什么（这还不是很久以前的事）。

现在随着人工智能在知识管理中的应用，情况发展得非常快，它不仅帮助我们自动完成，而且成为一个真实的助手（不是 AI agent）——它观察我们如何工作，学习什么是重要的，并在正确的时间提供正确的信息。这是一个巨大的转变。

我们正在从"写下所有东西并希望有人找到它"转变为"这个工具已经知道你在找什么，因为它看到你上个月调试过同样的问题。"这，对我来说，就是真正的 AI 知识管理的样子。

AI 知识管理由什么组成？

在 AI 能够为你记住东西之前，它需要在后台有正确的设置。大多数 AI 驱动的知识系统依赖于三个主要组件：

记忆层： 这是上下文被存储的地方。可以把它看作是 AI 的大脑，追踪你之前做过、读过或问过什么。

一些工具支持跨会话构建的长期记忆。

语义层： 与其依赖精确的关键字，这让 AI 能理解你的意思，它由向量数据库和支持自然语言理解的 LLM 提供支持。

集成层： 这将 AI 连接到你的工具（如 Slack、GitHub、VS Code），以便它可以拉取信息并在你实际工作的地方呈现它。

这三个部分一起形成了任何 AI 知识助手的基础，当这三个部分同步工作时，真正的魔力就会发生。

AI 记忆是如何工作的

AI 记忆的工作方式是模仿人类如何存储和检索信息。

就像我们从识别简单的模式开始（比如孩童时期的形状和颜色），AI 从基本的识别开始，逐渐发展到更复杂的理解，就像我们作为成年人那样。

很酷的是，AI 记忆也分为多种类型——语义记忆帮助它记住事实（如从手册中提取数据），情节记忆让它回忆过去的交互（对聊天机器人和个性化支持超有用），程序记忆帮助它记住如何一步步地做事情（如故障排除或运行机器）。

这些不仅仅是花哨的术语；它们实际上是以不同的方式训练的，这实际上控制了人工智能系统中的知识——语义是通过结构化数据、情节是通过过去的对话、程序是通过重复和模仿。

让我们坦白说，当团队规模很小，文档不是每隔一天就变化一次，AI 根本没有被集成到知识管理中时（因为现在每个公司的发货速度至少翻倍了），传统知识管理工具曾经很不错。

但一旦你的工程团队开始扩大，事情就变得混乱了。文档变得过时，搜索感觉坏了，部落知识活在 Slack 线程或某人的脑子里。

我见过一些团队在新开发人员入职时苦苦挣扎，因为没有人知道在哪里找到"最新的"答案。

这就是记忆优先的 AI 工具在知识管理中能产生巨大差异的地方。

Gartner 在其关于知识的文章中谈到了 GenAI 知识管理如何能将普通的对话转换为结构化的知识集合。

AI 在知识管理中不仅仅是关于存储信息或总结，它还具有上下文意识，可以帮助你完成需要经常引用对话/文档/信息的任务。

想象一下问"我们上一个冲刺中关于速率限制做出了什么决定？"并根据会议记录、Slack 聊天和 PR 讨论获得一个实际的答案。

像麦肯锡这样的公司已经在做这个了——Lilli，他们的内部聊天机器人，从一个世纪的知识中提取见解。

更不用说大公司了，它对个人工作流程也超级有帮助。我最近休了一个 10 天的假，有了经典的"我不记得我到底做什么了"假期后遗症。

这就是使用具有长期记忆功能的工具的地方。在下面的截图中，我展示了我如何使用 AI 给我一个我正在做什么的刷新（这是在写这篇文章），它不仅总结了我在做什么，还给出了我可能想了解或在文章中关注什么的建议。

这是 AI 启用的知识管理的一个经典示例。

传统工具 vs AI 驱动的记忆工具

在上面的例子中，你看到了 AI 驱动的记忆工具有多么有用（它不仅记住，还协助并为你做了一些工作中的日常部分）。

这正是真正的转变开始发生的地方——因为使用 AI 记忆不仅仅是一个很酷的生产力技巧，它实际上是在解决一个多年来一直困扰工程团队的更深层问题：知识管理。

这里有一条推文，Arnav 提到了在大公司工作意味着你必须处理很多遗留架构、代码和对齐。

这是一个经典的例子，展示了 AI 驱动的记忆工具可以在哪里提供帮助。

我们都经历过那些情况，一个关键的信息被埋在三个季度前的一个 Notion 文档中，或丢失在一个没有人更新的过时 Confluence 页面中，因为写它的人已经离开了团队。

传统工具很棒，直到你的团队扩大或快速变化，这时事情就开始崩溃。

这就是为什么值得比较老派工具与新一波 AI 驱动的记忆工具的对比，这些工具不仅仅是存储信息，而是积极地为你提供正确时刻的正确信息。

AI 在知识管理中——要兴奋的东西和要担忧的东西

像任何技术/工具一样，在知识管理中使用 AI 既有好处也有坏处。

尽管如此，微软有 30% 的代码由 AI 生成，谷歌有 30% 的代码由 AI 生成，Cursor 每天生成超过 10 亿行代码。

AI 现在是我们开发流程的自然组成部分，它很快就会成为其他工作流程的一部分，包括知识管理。

说实话，这里有很多值得热爱的东西。

AI 驱动的工具帮助你更快地找到正确的答案，减少浪费在挖掘过时文档上的时间，甚至总结你已经完全忘记的东西。

像 Pieces 这样的工具不仅存储信息；它们理解信息，并在真正重要时再次呈现它。

但伴随所有这些力量而来的是相当多的混乱。

根据 IBM 的数据，超过 80% 的组织表示在实施 AI 时在数据治理上苦苦挣扎。

加上隐私问题（因此可能值得检查 AI 治理和 SLM）、幻觉和有偏见的结果，很容易看出为什么公司犹豫不决地全力以赴。

如果你的 AI 从噪杂的数据集中提取了错误的"真理"或暴露了不应该被呈现的内部上下文，那不仅仅是一个故障；那是一个责任。

所以是的，好处是真实的，但这个领域需要清晰的伦理标准和主动的人类监督，以确保我们不仅仅是用更闪闪发光的新问题替换旧问题。

你到底是如何在知识管理中采用 AI 的？

从小处着手，但要聪明地着手。你不需要一夜之间重建整个系统。从识别你的团队浪费最多时间的地方开始——也许是在 Slack 上搜索某人上周分享的链接，或试图记住上一个冲刺中的 bug 是如何被修复的。

从上面的例子中，你已经看到了像 Pieces 这样的工具之所以很棒，是因为它们不强制你改变你的工作流程；它们静静地插入其中。

你可以保存代码片段、链接，甚至整个编码会话，它会在你最需要它的时候稍后呈现它们。

诀窍是把 AI 当作一个合作者，而不是替代品。

如果你已经读到这里了，这是我的观点：AI 记忆不仅仅是一个生产力技巧，它是我们在规模上处理复杂性的方式的转变。

它不会替代你的大脑（或你凌乱的 Notion 工作区），但它可以严肃地减少认知负荷。

首先通过尝试支持知识管理的 AI 工具，如 Pieces、Cursor，或实验 ChatGPT 的记忆，以感受一个更智能的工作流程是什么样的。

这里有一些你可以查看的资源：

Salesforce 关于"什么是知识管理 AI？"的博客

关于"走向具有多阶段对比学习的通用文本嵌入"的研究论文

关于"人工智能和知识管理：人类和 AI 之间的伙伴关系"的文章