知识库“建起来”了，为什么 AI 还是解决不了业务问题？

企业把制度、产品手册、业务文档和历史记录放进知识库，接上 RAG，让 AI 能够检索资料、回答问题。

问“采购流程是什么”，它能找到制度；问“这台设备有什么参数”，它能引用手册。但换成“这笔订单会不会延期，应该先处理什么”，找到相关资料之后，仍然有很多判断没有完成：哪些信息属于这笔订单？需要看到工厂汇总，还是具体工序？哪些缺口会改变行动，哪些细节可以暂时忽略？

资料可以被检索到，并不意味着它们已经按当前问题所需的方式组织起来。

这时，AI 可能给出一份看似周全的回答：“需要综合考虑供应链、产能、人员和管理等多方面因素。”每句话都对，却仍然没有告诉我们先处理什么。

这种体验并不陌生。开会时，总有人提醒：“还要考虑企业文化”“现实情况往往更复杂”“任何方案都有局限性”。听完之后，我们同样不知道：方案哪里需要改，下一步应该做什么。

这就是“正确的废话”。它的问题往往不在真假，而在于没有说明：这条补充与当前问题有什么关系，会改变哪个判断。

从企业知识库到会议讨论，这些现象背后有一个共同的建模问题：我们正在什么范围内、从哪个视角、以多细的颗粒度讨论什么。没有明确这些条件，相关信息可以不断增加，问题却未必更接近解决。

地图提供了一个直观的参照。规划北京到上海的行程时，我们需要看到城市、机场和铁路；从上海虹桥站去酒店时，需要看到街道、地铁站和出入口；到了酒店，要找房间，又需要楼层平面图。房间号是真实信息，但把它们全部画在全国交通图上，并不会让这张图更有用。

建模也需要作出这样的选择。它听起来像一项专门的技术工作，实际上，在设计系统、分析业务、讨论方案时，我们一直在决定哪些区别需要保留，哪些细节可以暂时忽略。

大模型可以帮助我们发现和表达更多结构，这些选择却仍然需要作出。在《业务建模，本质是定义业务如何被表征》中，我讨论过建模在做什么。这篇作为建模方法论的第一篇，进一步讨论两个问题：

如何确定模型的边界，以及什么时候已经足够。

前者需要明确域、视角和分辨率；后者取决于当前要解决的问题。

01｜域 × 视角 × 分辨率

域规定概念和规则的适用范围。同一台设备，在维修域中涉及故障、维修工单、备件和恢复运行，在资产管理域中涉及原值、折旧和处置。两个域围绕同一对象展开，但各自需要表达的业务关系与规则不同。

视角决定在选定的域内，从什么立场、围绕什么问题观察。例如，同一次设备维修，从设备使用方的视角看，关心的是何时恢复可用、是否影响正常工作；从维修服务方的视角看，关心的是如何定位故障、安排人员和完成修复。双方处于同一个维修业务域，也在看同一件事，但需要突出不同的信息。视角可以由参与方的立场形成，也可以由当前要回答的问题决定，并不固定等于某个岗位。

《设备字段越加越多，为什么人和 AI 还是用不明白？》记录过一个具体案例：设备台账不断加入维修、质控、资产和经营信息，页面越来越完整，却越来越难用。即使按角色配置字段显隐，也无法解决问题——同一个维修负责人，在处理一次故障、查看本月维修情况和评估设备更新时，需要的信息原本就不同。

设备身份保持稳定，围绕它组织的信息却需要随当前问题变化。这个案例说明了域与视角的作用；继续看同一业务中的汇总与下钻，还能看到分辨率带来的变化。

分辨率决定表达细到什么程度。同样是看生产进度，总经理可能关注各工厂本月的订单完成率，工厂负责人需要看到各车间的任务进度，班组长则需要知道某张工单卡在哪道工序。

这些信息可以来自同一套生产记录，但呈现出来的已经是不同的表征：

从汇总到下钻，并非只是把同一张表放大。聚合时，单条记录的身份和细节被折叠，形成比例、分布或趋势；下钻时，通过关联到底层记录，这些差异重新展开，才能定位具体问题。两者需要通过一致的统计口径和关联关系连接起来。

地图也是如此。小比例尺下，一座城市可以是一个点；放大后，它展开为城区、道路和建筑。那个点没有画错，它只是没有承担表达城市内部结构的任务。

这三个维度共同决定模型中保留哪些区别。对象没有因为观察方式变化而变成另一个对象，但需要的表征会随之变化。

02｜当进一步区分不再影响当前判断，就可以停止

继续看生产进度的例子。

总经理发现某工厂本月完成率偏低。如果当前问题只是“应该先找哪个工厂负责人了解情况”，工厂级汇总可能已经足够。此时没必要先阅读所有工单。

如果要决定是否向该工厂增派人员，就需要进一步下钻。完成率低，可能是人员不足，也可能是物料没有到货。两种原因对应的行动不同，因此这个区别必须保留。

下钻后发现，大部分延期任务都在等待同一批外购物料，补充人员无法解决问题。采购系统又已经确认了到货日期，且到货后仍来得及完成交付。那么，本次决策可以停在这里：暂不调人，跟踪到货。

至于这批物料涉及的每一张工单、每一道后续工序是否都要逐条展开，取决于它们会不会影响这个判断。如果交付余量很小，就需要继续核查；如果现有排程已经足以确认，就不必为了“看得更完整”再做一遍全量分析。

同一套数据可以一直下钻，但每次下钻都对应不同的待解决问题。

停止条件可以落实为三个检查：

• 继续细分，会不会改变可选方案及其排序？
• 会不会改变对可行性、风险或责任的判断？
• 会不会改变下一步行动，或者需要补充的信息？

如果都不会改变，就可以停在当前分辨率。

这里的“不会改变”需要依据。尚未弄清某个因素是否重要时，可以先核查它的影响；不必为了确认它是否重要，就把整个相关领域全部建完。

这和查地图一样。如果两条路线的预计耗时已经足以支持选择，就不需要查看沿途每个路口。但如果其中一条路线包含一次只有五分钟的换乘，站内步行距离就会成为必须展开的细节。

因此，一个可复用的模型除了自身内容，还应说明适用域、观察视角、分辨率，以及它能够支持的问题。后来使用它的人或 AI 才能判断是否需要补充，而不必猜测哪些省略是有意的。

03｜自动抽取知识图谱，也需要这些边界

这也是缺少建模约束的自动知识图谱抽取容易遇到的问题之一。

从材料中识别实体、概念和关系，可以回答“原文提到了什么”。但它还没有回答“我们需要一个什么样的模型”。

假设我们把一家工厂的公司介绍、设备手册、采购制度和生产会议纪要交给 AI，要求“抽取知识图谱”。

公司介绍提到了工厂、车间和产品；设备手册详细描述了某台设备的零部件；采购制度列出了审批岗位和金额门槛；会议纪要里又出现了供应商、订单和延期原因。AI 可以从这些材料中抽出大量有据可查的节点和关系。

但图里为什么某台设备展开到了轴承，另一台设备只有名称？为什么采购审批有完整流程，生产排程只有几句描述？答案可能只是：前者恰好有一份详细手册，后者没有。

此时，模型的分辨率由材料详略决定，边界由材料覆盖范围决定。

如果我们真正想回答的是“哪些订单可能延期”，轴承的结构可能暂时用不上，订单与物料缺口、预计到货时间、剩余工序之间的关联却必不可少。即使前面抽出的关系全部正确，只要这些关键关联缺失，图谱仍然无法支持判断。

这很像把旅游攻略、地质报告和餐馆菜单合在一起生成地图：有的地方标出了岩层，有的地方精确到了招牌菜，却没有连接目的地的道路。信息很多，仍然无法导航。

抽取的准确性与模型的充分性，是两个需要分别检查的问题。前者看是否忠实于来源，后者看是否足以支持用途。

因此，自动抽取应受到建模目标的约束。围绕订单延期判断，可以先确定需要订单、物料需求、供给承诺和生产任务等信息，再按判断所需的颗粒度抽取，检查缺口。如果材料里没有预计到货时间，结果就应该明确暴露这个缺口，而不是用更多无关节点制造完整感。

覆盖率可以作为抽取指标，但无法单独充当建模的停止条件。

这也是 Cognito Atlas 中“先定义坐标系，再识别与构建对象”的具体含义：先明确域、视角和分辨率，才有依据判断哪些对象与关系需要进入当前地图。

04｜许多没有边界的辨析，是在不断切换坐标

“它还是不是同一个东西？”

忒修斯之船是一个典型例子：一艘船的木板逐渐被替换，直到所有木板都换过一遍，它还是原来的船吗？

如果继续讨论，把拆下来的旧木板重新拼成一艘船，哪艘才是原来的船？

问题之所以可以不断展开，是因为“同一个”可能指向不同的判准。

对于负责航次记录的人，关心的是哪艘船延续了原来的运营身份；对于研究古代造船材料的人，旧木板在哪里可能更重要；对于追踪维修过程的人，则需要保留每次替换与前后状态的关系。这些问题需要不同的表征，单独一句“还是”或“不是”无法同时回答它们。

另一个更贴近自身的问题是：“今天的我，还是十年前的我吗？”

一个人可能搬了城市、换了职业，改变了价值观，甚至完全不再认同过去的自己。但当他说“十年前是我作出的选择”时，又在把过去与现在归于同一个人。

这里至少有两个不同的问题：前后是不是同一个持续存在的人，以及这个人的性质是否仍然相同。哲学上可以把它们区分为数值同一性与性质上的相似。一个人发生了很大变化，并不能单凭这一点就断定前后是两个人；两个陌生人即使性格、外貌十分相似，也不会因此成为同一个人。

更进一步，如果记忆丧失、人格发生剧烈变化，我们应当依据身体连续性、心理连续性，还是其他条件判断个人身份？这才进入需要继续辨析的哲学问题。

先区分问题，未必立即得到答案，却能避免用“性格已经不同”去直接回答“是不是同一个人”，让讨论知道自己究竟卡在哪里。

日常业务里也有同样的问题。一台设备换了电机、控制器和外壳，还算不算原来的设备？

维修履历可能继续记在原设备编号下，因为需要追踪它的整个使用过程；备件库存则必须把拆下的旧电机和装上的新电机作为两个对象记录。如果双方不说明自己在管理什么，就可能一方坚持“明明还是那台设备”，另一方坚持“东西都换了，怎么还是同一个”。

这些回答使用了不同的同一性判准。双方提供的事实都可能成立，分歧却不会因此消失。

哲学辨析中也容易出现这种情况：域、视角或分辨率已经变化，命题却被要求在变化之后继续成立。局部表述于是不断遭遇来自其他范围的反例，讨论也不断扩张。

这时需要先问：我们为什么要区分这两种情况？这个区别会改变什么？

这里的用途可以是澄清概念、检查逻辑一致性或比较解释，不必都落到现实行动。但仍需明确本次要解决哪个问题，哪些区别会影响它的答案。

如果目标就是研究不同的同一性判准，继续展开很有价值。如果目标是确定维修记录应该挂在哪个设备编号下，就需要先建立能够执行的身份延续规则。不能等所有关于“同一性”的哲学问题都得到解答，再登记一次维修。

05｜从建设性意见到“正确的废话”

以解决问题为目的的讨论，是参与者共同建立、修正一个足以支持行动的决策模型。

假设一个团队正在设计采购申请的审批规则，准备按金额设置审批层级。

有人补充：“这笔采购是否已经纳入批准的预算？同样是五万元，预算内采购是在执行已有安排，预算外采购则需要追加支出决策。如果只按金额分级，这个区别就漏掉了。”这条意见指出了同一流程中会影响审批依据和路径的条件，值得进入模型。

另一个人说：“组织之间差异很大，管理方式也一直在变化，任何流程都有局限性。”这句话可能没有错。但如果他无法说明当前遗漏了哪种情况、会造成什么后果、应该改哪条规则，它就没有帮助团队完成眼前的判断。

开篇提到的“正确的废话”，在这里有了具体的判断标准：这条意见是否为当前决策提供了有作用的区别。

它的成本也很具体。听到“还要考虑企业文化”，团队可能暂停规则设计，开始解释自己的组织背景；Agent 再补一句“现实情况往往更复杂”，讨论又要花时间说明哪些情况已经考虑过。原本需要确定的审批条件还没确定，大家先为这些没有明确落点的提醒补了一轮上下文。

一句话是否值得进入讨论，需要看它在此刻有什么作用。“没必要的话不说”，在这里就是对讨论分辨率的控制。

Agent 的建设性意见与抬杠，也可以据此区分。

用户正在设计一个用于内部试点的任务分配功能。Agent 提醒：“目前只记录了任务执行人，没有记录谁有权验收。任务完成后可能无法确定由谁关闭。”这指出了当前方案中的具体缺口，也说明了后果。

如果 Agent 只是不断追加“还要考虑复杂的组织关系”“现实中部门可能不配合”“不同企业文化有所不同”，却不说明这些因素如何影响本次试点，就会把局部设计拖进没有尽头的组织讨论。

判断标准不在于它是否赞同用户，而在于它能否说明：

这个差异为什么与当前问题有关，它会改变什么判断。

Agent 也可以挑战原先选定的域、视角和分辨率。例如，团队只看本部门处理速度，准备把信息核对环节全部交给下游；Agent 发现这会让下游重复核对，增加整体交付时间，就有理由把分析范围扩展到完整流程。

扩展边界本身需要理由。世界上还有更多关联，并不意味着它们都应该进入当前讨论。

对人和 AI 来说，建模能力都包含一种克制：识别哪些区别必须保留，也识别哪些细节可以暂时不展开。地图要画到哪里，取决于接下来要走哪段路。当进一步区分已经不影响当前判断，就让模型停在这里，让行动继续。