麦睿菱AI实践 04｜知识库要留下专家改判的依据

专家经验中最有用的部分，常常是他为什么改变判断：哪条新记录排除了一种解释，什么条件让他决定继续，又为什么在这里停下。企业知识库应该把这些依据与反例留下。下一位员工找到相似案例后，才能检查条件、说明选择，而不只是复述答案。

企业把专家讲过的案例整理进知识库，AI 也能准确找到相关段落。下一次遇到相似问题，同事仍然来问：“这次能照着做吗？”

这句话暴露了经验交接中一个常见缺口。材料写清了最后采取什么办法，却没有留下决定采用它的条件。后来者能复述答案，仍然判断不了眼前这件事。

外观相似的曲线 下一步可能不同

设想两次测量都出现了一段明显起伏，现场员工都问：是不是应该修改评价算法？

第一次，专家要求先核查重复测量。第二次，专家同意进一步讨论新指标。

如果只保存最后的处理意见，知识库里就会出现两条似乎冲突的经验。AI 搜到哪条，可能就解释哪条；后来者也很容易挑中更符合自己预期的答案。图1把意见背后的条件补在一起。

图1｜观察相似，证据不同，下一步的选择也不同

第一种情形中，相同条件下的结果尚未稳定重现。急着修改算法，可能把采集或操作中的变化混入新指标。第二种情形中，约定的重复性检查已通过，客户关心的特征又确实没有被原指标表达，才有了进一步讨论指标的基础。

但“重复性通过”仍不足以证明数据完全可靠。稳定出现的异常也可能来自系统性偏差；同样，一次不稳定也不能直接归因于设备故障。还需要结合具体测量方法继续排查。

请专家指出让他改判的那条记录

请一位专家“把经验系统讲一遍”，很容易得到一份顺畅的事后总结。原本只是猜测的判断，经过回顾，也可能显得从一开始就十分确定。

更有用的起点，是选一个真实的关键选择，回到还不知道答案的那一刻。

可以先整理原始材料和时间线，再请专家回答：当时有哪几种解释？为什么先查这一项？哪条新记录使你放弃了原来的判断？如果没有这条记录，你还会这样处理吗？

关键决策法通过回访真实的非例行事件，追问专家当时看到了哪些线索、怎样作出选择。Gary Klein 等研究者参与发展了这一方法。[1] 企业可借鉴这种问法，先讲透一次转折，而不必让专家重新编写一本教材。

整理时，还应把三种内容分开：现场当时留下的事实，当时根据事实作出的推断，以及事后补充的解释。把它们分别标清，后续复核时才知道各自的依据。

例如，“我们当时排除了采样问题”应尽量指向具体检查。若找不到依据，就保留“专家事后回忆”这一说明。AI 可以协助整理时间线、标出材料缺口，缺失的依据再请当事人补充。

留下来源 才能重新检查旧结论

许多经验在传播时，最先丢失的恰恰是来源。

一张曲线截图脱离了工件与采集编号，换成什么滤波条件不再清楚；一段结论被摘进演示文稿，原先的限制没有跟过来。后来者虽然读得更快，却无法确认自己面对的是不是同一种情况。

在测量场景中，最有用的记录应能从结论返回原始采样，并关联工件、批次、测量配置、处理版本和检查依据。这样发现疑点时，团队还能重新分析，而不必只讨论谁记得更清楚。

这也是 MEASIX 家族中溯原 Tracelle 的应用位置，它定位于厂区测量数据与智能分析平台。[2] 在本文场景中，企业需要借助这类平台，把原始采样、工件、批次、配置和分析联系起来，供不同员工复查同一份测量依据。

这些数据关联按实际系统和权限建立。设备校准、方法验证和计量溯源，则按各自的专业要求落实。

相近案例为什么会作出不同选择

整理完一个成功案例，可以再找一个外观相近、处理却不同的案例。

两者并列以后，请专家指出真正影响选择的差别。是被测量不同，采样条件不同，还是客户用途不同？哪些表面特征很像，却没有诊断意义？

这种对照能防止后来者只记住故事中的显眼细节。单看一个成功案例，很容易把同时出现的条件都当成原因；加入反例以后，才更容易发现还要验证哪些条件。

还可以追问一句：“如果你的解释成立，接下来应该看到什么；看不到时，你会怎样调整判断？”员工遇到新情况时，就能寻找会改变判断的证据，而不只是寻找支持旧答案的材料。

两项记录得出不同结论时，可以先检查双方回答的是不是同一个问题。两位专家可能掌握的材料不同，或者分别在回答“数据是否可信”和“结果是否满足客户用途”。先对齐问题与证据，再讨论分歧，才能保留其中有用的差别。

如果现有证据确实无法区分两种解释，就保留未决状态，说明还缺什么、谁能取得，以及在此之前哪些结论不能下。

AI 要找对依据 也要看见本次变化

一次检索应帮助员工找到相关案例、原始出处和适用范围，并辨认它们是否仍然有效。检索增强生成（RAG）先查找与任务相关的资料，再把资料交给模型用于回答或继续处理。[3] 检索完成后，仍要检查来源与适用条件。

在曲线场景中，只检索“曲线异常”可能拿到另一种被测量的案例。把测量对象、采样规则、设备或方法版本纳入核对，才有机会排除这种看似相关的错误支持。权限和出处也应随材料一起保留。

专家判断所依赖的关键限制，必须随检索材料一起交给助手。只存进知识库，或留在上次会话里，本次没有取用时都帮不上忙。[4] 上次留下的记录也要和这次的客户要求、现场条件重新核对。

再把经专业确认的检查顺序和停止条件写进任务说明，要求助手引用对应材料。

让核实后的经验重新回到员工手里

在 MEASIX 的产品分工中，枢策 Orchelm 负责企业智能体治理与协同，可组织和发布受管助手及相关资源。[2] 企业可把核实后的检查指导和出处配置到相关助手中，让员工在处理任务时取用；数据访问范围与方法配置要在部署时落实。

材料进入系统后，专业审核、经验筛选和更新都要有人负责。一次新发现值得推广时，应说明改变了哪条判断依据，原有案例是否仍适用，再更新推荐内容。员工再次使用时，就能知道检查依据发生了什么变化。

检验这件事是否做成，可以请一位没有参与原项目、具备必要基础的同事处理一个相近的新案例。先看他能否说清哪条证据改变了选择，哪里仍需补证，以及为什么在这里停下来。

有些观察能力仍需要现场示范和练习，不能仅靠文档传递。遇到这种情况，把应准备的材料和需要请谁介入说清楚，同样是有价值的交接。

下一次复盘，可以就选一次改判，把改判前的解释、新出现的证据、改变后的行动一起保存。再用一个相近的新案例，检查这些依据是否真的帮助同事作出了选择。

参考阅读

[1] Gary Klein：Critical Decision Method

[2] MEASIX：溯原 Tracelle、枢策 Orchelm

[3] Microsoft Learn：检索增强生成概述

[4] Anthropic：Effective context engineering for AI agents