B2B营销知识库实践笔记：应用，萃取与存储

上一篇文章里，我写了自己怎样用 ChatGPT Work 重新开发事橙官网。

网站上线以后，一个更具体的问题很快出现了：官网未来的内容从哪里持续生长出来？

这件事其实早就在我的规划里。

事橙长期服务 B2B 企业，我们做过很多 SEO、SEM、GEO 和内容营销项目。团队写过文章，做过方案，录过视频，也积累了 SOP、项目日志、复盘报告和客户会议记录。

这些内容分散在飞书的不同文件夹里，数量不少，其中确实藏着很多有价值的经验。

还有很多经验只存在于我们的大脑和日常交流里，并没有被写下来。为此，我甚至专门买了一个可以随时录音的设备，准备把会议、讨论和临时产生的判断也逐渐沉淀下来。

但我越来越意识到：这些资料本身，还不能叫知识库。

最近，我给 SEM 团队开了一次会，把我们准备建设知识库的思路完整讲了一遍。会后，我给曹朝露团队交了一个很简单的任务：把团队已有的原始资料链接整理出来。

不搬文件，也不重新写，只把资料入口罗列下来给我。

我准备先用这些资料，测试第一轮知识“萃取”。

也正是在这个过程中，我对企业知识库这件事形成了几个更具体的判断。

大量内容，不等于知识库

很多企业一提知识库，第一反应就是把过去的文档收集起来。

把官网文章、产品资料、培训文档、项目方案、视频和会议纪要全部放进一个系统，再接上 AI 问答，好像知识库就建成了。

但这更像一个资料库。

资料记录的是某个时间、某个项目、某个作者说过什么。真正可以被企业持续复用的知识，还要经过一次治理和萃取。

比如，一份 SEM 项目日志里可能同时包含客户背景、账户数据、临时调整和项目负责人的判断。真正值得沉淀的，也许只有一句：

当 B2B 企业的广告点击量上升、线索却没有增加时，不应该只继续调整关键词，还要同时检查落地页、转化路径和销售反馈。

这句话从一份具体项目里被提取出来以后，还要继续回答几个问题：

• 它适用于哪些企业和阶段？
• 有没有例外？
• 有什么项目证据支持？
• 是否与现有 SOP 或者其他资料冲突？
• 能不能对外公开？
• 谁来确认它代表事橙目前的专业判断？

当这些问题被补齐，它才不再是一段散落在项目日志里的经验，而成为一张可以被复用、被审核、被更新的知识卡片。

所以，知识库真正重要的部分，不是把内容“存进去”，而是从大量底层内容中，持续萃取出结构化、可验证、可维护的知识。

没有这个过程，AI 只是更快地翻阅旧资料；有了这个过程，企业才开始拥有可以复利的知识资产。

底层资料可以有几千份，真正有效的知识卡片可能只有几百张。

但这些知识更清楚，也更有价值。

做知识库，应该先确定应用

知识库项目还有一个很容易走反的顺序：

先研究使用什么工具、文档放在哪里、字段怎样设计，最后才去想，知识库建好以后究竟要用来做什么。

结果往往是资料整理了很多，标签设计得很完整，团队却没有形成真正的使用习惯，业务也看不到明显变化。

我们这次没有先从“建设一个完整的企业知识库”出发，而是先确定第一个应用：官网内容。

事橙官网已经完成重构并上线，接下来需要持续回答客户真正关心的问题。

以 SEM 为例，我们希望先从团队已有的文章、方案、SOP 和项目经验中，萃取出一批高质量的常见问题，由曹朝露完成专业审核，我再对第一批内容的对外表达进行把关，最终发布到官网。

这个应用很具体：

有没有新的 FAQ 发布出来，内容是否真的有价值，客户能不能看懂，搜索引擎和 AI 能不能准确理解，我们都能够看到结果。

而这条路径一旦跑通，同一张知识卡就不只能服务官网。

它可以改写成一篇小红书内容，可以变成一个短视频选题，可以进入销售材料，也可以用来培训新人。

不同渠道的表达方式可以变化，但底层判断、适用边界和证据来源不应该被反复重写。

这也是我现在更认可的知识库立项方式：

先找到一个真实、频繁、能够看见结果的应用，再倒推需要什么知识、从哪里萃取，以及怎样存储和维护。

如果第一个应用是官网，知识卡就要围绕客户真正关心的问题来设计。

如果第一个应用是销售支持，知识卡就要能够帮助销售理解客户问题、产品价值和适用边界。

如果第一个应用是培训新人，就还要考虑岗位、能力阶段和学习顺序。

应用决定知识库应该长成什么样。

不是先建一个无所不包的知识库，再等待团队有一天把它用起来。

知识库和 GEO，本来就是一件很近的事

我们之前讲过一个观点：

GEO 不是让企业迎合 AI，而是帮助 AI 真正认识企业。

但如果一家企业自己都没有统一的表达，AI 又怎么可能稳定地认识它？

官网说产品适合一类客户，销售材料说适合另一类客户；旧文章还在沿用三年前的判断，新方案已经换了一套方法；不同团队面对同一个问题，给出的答案也不一样。

过去，这些差异散落在不同渠道里，很难被发现。

进入 AI 搜索和生成式问答以后，它们会直接影响 AI 怎样理解和引用一家企业。

GEO 要求企业在全网持续输出清晰、一致、有证据的内容。知识库恰好承担了这背后的管理职能：

• 哪些事实是当前有效的；
• 哪些观点代表企业正式判断；
• 哪些内容只适用于特定产品、地区或客户；
• 哪些结论已经过期；
• 哪些信息可以公开，哪些只能内部使用；
• 当知识发生变化时，哪些渠道需要同步更新。

所以，知识库不是 GEO 之外的另一个项目。它更像是 GEO 的内部基础设施。

GEO 解决企业怎样被 AI 看见、理解和信任；知识库解决企业内部究竟应该让 AI 看见什么，怎样保持一致，以及谁对这些信息负责。

从这个角度看，知识库建设也不只是技术部门的工作。

它同时是内容治理、专业审核和企业管理的一部分。

AI 可以帮助企业发现重复和冲突，可以从大量资料中提取候选知识，但它不能代替企业决定：

哪一种说法，才代表我们现在的正式判断？

这个决定仍然需要真正理解业务的人来做。

自动化不是锦上添花，而是底层条件

如果知识库依赖一个人不断复制、粘贴、整理和提醒，它很快就会失效。

企业内容每天都在变化。新方案在产生，新项目在复盘，SOP 会更新，旧观点也可能被新的实践推翻。

真正可持续的知识库，必须能够发现这些变化。

我们现在的思路，是让原始内容继续留在飞书，因为那里本来就是团队工作的地方。

文章、方案、项目日志和复盘不需要为了建设知识库而全部搬家，更不能要求团队同时维护两份资料。

在此基础上，让系统定期巡检新增或者发生变化的内容，从中提取候选知识卡，标出重复、冲突、证据不足和敏感信息，再交给专业负责人审核。

审核通过以后，如果这张知识卡适合对外公开，就可以进一步生成官网 FAQ、小红书内容或者短视频脚本。

未来，如果发布环节也被打通，一张知识卡从产生到进入不同渠道，除了必要的专业审核和对外口径把关，其他步骤都应该尽量自动完成。

我们目前设计的最小闭环是：

飞书保存原始资料，飞书 Aily 负责萃取候选知识，曹朝露负责专业审核，Codex 负责把审核通过的公开内容同步到官网。

这套流程还在测试，并没有全部完成。

我们希望最终实现的是：系统定期巡检最近一周新增和发生变化的内容，自动识别其中可能出现的新知识、冲突和过期信息。

目前这条流程仍在测试，但它至少让我们从一开始就明确：自动化不是知识库建完以后再增加的功能，而应该成为知识库能够长期存在的底层条件。

因为真正难的，从来不是第一次整理。

真正难的是半年以后，企业还能不能知道哪些内容变了、哪些知识过期了、哪些渠道需要更新。

怎么判断企业建的是知识库，还是资料库

如果一家企业正在建设知识库，可以先不用看它采购了什么工具、接入了什么模型，也不用看里面已经存了多少份文档。

先用下面八个问题检查。

1. 知识库准备优先解决哪个具体的业务问题？

是持续更新官网、辅助销售、培训新人，还是生产小红书和短视频内容？

如果没有第一个明确应用，后面的整理很容易失去方向。

2. 系统里保存的是原始资料，还是已经提炼过的知识？

文档数量再多，也不代表企业已经形成了可以直接复用的判断。

原始资料可以保留完整上下文，知识卡片则应该把其中真正有效的判断提取出来。

两者都重要，但不能混为一谈。

3. 每条知识能不能追溯到原始依据？

它来自哪篇文章、哪份 SOP、哪个项目或者哪次复盘，应该能够被重新找到和验证。

如果一条知识只能看到结论，却找不到来源，它就很难被审核，也很难在未来被修正。

4. 每条知识有没有适用范围和例外？

对某类企业有效的经验，未必适用于所有行业、预算和发展阶段。

没有边界的经验，经过 AI 放大以后，很容易变成一句听起来正确、实际无法使用的空话。

5. 当不同资料发生冲突时，谁来决定当前口径？

AI 可以发现冲突，但不能替企业决定哪一种说法代表现在的正式判断。

知识库必须有专业负责人，而不能把最终判断交给模型。

6. 每条知识有没有明确的负责人？

谁负责确认，谁负责更新，多久复核一次，都需要能够被找到。

如果一条知识没有负责人，它很可能在产生以后就再也没有人维护。

7. 原始资料变化以后，系统能不能发现哪些知识可能已经过期？

如果 SOP 已经更新，知识库仍然在调用三年前的文章，它只是在更高效地传播旧知识。

真正的知识库必须能够感知变化，而不只是保存内容。

8. 知识更新以后，官网、销售材料和内容渠道能不能同步变化？

如果每个渠道仍然依赖人工逐个检查和修改，企业的表达最终还是会重新分裂。

知识只有进入真实业务、影响真实表达，才真正开始产生价值。

如果这八个问题中，大部分只能回答“还没有”，那么企业目前拥有的，更可能是一个集中存放资料、方便 AI 检索的文档系统，还不是一套可以持续运行的知识体系。

一张最基础的企业知识卡，也不需要设计得特别复杂，至少应该包含：

• 客户或者员工提出的问题；
• 企业当前的核心判断；
• 适用范围和例外；
• 事实、案例或者项目依据；
• 原始资料链接；
• 专业负责人；
• 是否允许公开；
• 当前状态和最后复核时间。

这张卡片看起来并不复杂，但它把一段“某个人曾经说过的话”，变成了企业可以确认、复用、更新和负责的知识。

所以，验收一个知识库，不应该只看“收集了多少份资料”，而应该看：

企业是否已经建立了一条从原始内容到正式知识，再从正式知识进入真实业务的闭环。

知识库最终管理的，是企业如何表达自己

过去我们谈知识库，容易把注意力放在“企业拥有多少资料”上。

现在我更关心另一件事：

当客户、员工、搜索引擎和 AI 提出同一个问题时，企业能不能稳定地给出清晰、可信、彼此一致的回答？

这背后需要的，不只是一个更大的文档系统，而是一条持续运行的知识生产线：

从真实工作中发现经验，从原始内容中萃取知识，由专业人员确认，再把它应用到官网、内容平台、销售和 AI 能够读取的各种场景里。

底层内容可以很多，真正有效的知识应该更少、更清楚，也更容易维护。

我们不会先追求整理几千份资料，也不会一开始就做一个庞大的企业知识中台。

第一步，只是用少量 SEM 资料萃取一批知识卡，经过审核以后发布到官网，先验证这个闭环是否真的有用。

如果它能够跑通，再扩展到 SEO、GEO 和 B2B 内容营销；再从官网扩展到小红书、短视频、销售材料和更多应用。

一通，才可能百通。

对我来说，企业知识库真正的价值，不是让 AI 知道得更多，而是让一家企业可以持续、准确、有证据地说清楚自己，并且让这些知识在一次次使用中不断被修正、被复用、被放大。

这才是知识开始产生复利的地方。