内部知识智能体
我们设计、构建并部署一个 AI 智能体，从你们自己的 SOP、政策、HR 手册和产品文档中回答团队的问题——并引用确切来源，遇到文档里没有的内容会诚实地说“这不在我们的文档中”。
一览
把你们的专家、HR 和 IT 从整天重复回答同样的问题中解放出来，并让每位员工都能即时得到一致、有出处的答案——价值遍及整个公司。
对文档的检索、保持索引新鲜、让每个答案都基于引用来源、经过校准的“我不知道”，以及基于角色的访问控制，让人只能看到被允许的内容。
见效后会有什么改变
先考虑现成方案：你也许无需定制构建
构建前先对自己诚实。如果你的文档已经在 Claude 能连接的工具里——Google Drive、SharePoint、Slack、GitHub 等——而你也能接受按席位付费，那么带连接器的 Claude for Work 几乎无需工程即可搭起一个内部知识智能体：把它指向你的来源即可。作为 Claude 合作伙伴，我们直说——如果这就够了，先从一个方案开始。定制构建（本页其余内容）只有在你需要席位产品自身做不到的能力时才值得：合规团队可证明的基于角色的访问、按部门限定的检索、不能放进席位产品的受 PDPA 约束或本地部署数据、你自己的聊天入口（如 WhatsApp 或 Teams），或可审计的引用与评估门槛。
每份申请耗时
如今找到答案
约 10–20 分钟
使用智能体
约几秒
节省的时间
每个问题约节省 10–15 分钟——外加对专家的隐性打断成本。每月 500 个问题即约 80–125 小时的员工时间被收回。
为估算；实际节省取决于员工目前多常自行查找答案或打扰同事。
阶段 1 · 界定
业务问题
在大多数马来西亚公司，“我们的医疗报销限额是多少？”“怎么申请年假？”“对接供应商用哪张表？”这些问题的答案其实早已存在——在 HR 手册、SOP、政策 PDF、产品手册里。但没人找得到。于是员工发消息给 HR、IT 或资深同事，等待回复，同样的问题每周被回答几十次。知识就在那里；缺的是获取的途径。
阶段 2 · 梳理
当前的人工流程
- 01员工有一个问题
- 02在共享盘 / 内网搜索，最后放弃
- 03发消息给 HR / IT / 资深同事
- 04等待回复（几分钟到几小时）
- 05专家停下自己的工作来回答——又一次
问题所在: 瓶颈不是缺少知识——而是检索。答案存在于一份没人找得到的文档里，于是被反复询问、反复回答。
阶段 3 · 设计
智能体化流程
我们把你们的文档变成一个员工可以直接发问的智能体。它判断问题属于哪个知识来源，检索相关段落，起草一份有据可依的答案，并在回复前核实每一处陈述都能追溯到引用——遇到文档里没有的内容则诚实地表示不知道。
若某处陈述没有检索到的来源支撑，它会重新检索或表示不知道，而非臆测。
看一个案件在智能体中逐步流转——它负责读取与比对；最终决定仍由人来做。
实际效果
员工消息
有出处的答案
- 指定诊所：每次就诊 RM 500，门诊（HR 手册 §4.2）
- 非指定诊所：除非经主管预先批准，否则不予报销（§4.3）
- 30 天内通过 HR 门户报销，保留收据
引用确切的文档与章节 · 宁可说“不在我们的文档中”也不臆测 · 每个问题约 RM 0.01–0.05。
逐步流程
- 1
理解问题
它解读问题——包括马来语 / 英语 / 中文混杂以及含糊的措辞——并判断它属于哪个知识领域：HR、IT、财务政策，还是产品手册。
- 2
检索正确的段落
它在已建索引的文档集中检索（语义加关键词），并只提取回答该问题的具体段落——而非整份文档——使答案基于确切文本。
- 3
起草有据可依的答案
它仅用检索到的段落写出简短、直接的答案，用提问者所用的语言，并为每一点保留来源引用。
- 4
核实引用（检查环节）
答案中的每处陈述都必须对应到一个检索到的来源；若某句无据可依，它会重新检索或删除——因此它无法自信地陈述任何不在你们文档中的内容。
- 5
作答或诚实弃权
它附上来源返回答案，或表示“我在我们的文档中找不到该内容”并提出把问题转交。没有自信的臆测。
- 6
把例外分派给人
敏感、超出范围或确实无法回答的问题会带着问题一并转给合适的负责人——HR 或 IT——而不是走进死胡同。
阶段 4 · 构建
我们如何用 Claude 构建
它只从你们自己的文档作答，而非公开互联网——因此它无法编造一条你们并不存在的政策。每个答案都带来源，受限文档始终只对正确的角色开放，而变更时重新建索引意味着更新后的 SOP 一经发布即刻生效，而非数周之后。
集成对接
- 你们的文档库——SharePoint、Google Drive、Confluence、Notion 或 PDF
- 员工已在用的聊天入口——Teams、Slack、WhatsApp 或网页
- 可选：你们的 HRIS / ITSM，用于分派它无法回答的问题
底层实现
- 模式：基于 Claude Agent SDK 的 检索 → 落地 → 引用核查 链，配一个轻量的路由前端，为每个问题选择正确的文档集——每项能力都作为 MCP 工具提供。
- 摄取与检索（RAG）：文档按其自身结构切分——章节、条款、表格——使每个段落自成一体并保留其引用，而非盲目的固定大小切片（会把政策从条款中间切断）。检索是混合式的：用向量（embeddings）索引匹配含义，加上关键词索引匹配必须逐字对上的术语——政策代码、表单编号、“§4.2”、SKU；我们先多召回，再对最佳段落重排序（re-rank），然后模型才作答。纯语义检索会漏掉精确标识符；纯关键词会漏掉改写措辞——混合式两者兼得。
- 上下文与新鲜度：只有重排后的段落进入窗口（对稳定的系统上下文做提示缓存），并在文档变更时增量重建索引——因此更新后的 SOP 一经发布即刻生效，没有过时答案。
- 工具：检索/召回工具和一个主题路由/分类器——全部只读；没有任何工具能写入你们的源系统。
- 落地与引用：答案被限制在检索到的段落内，且每处陈述都带来源；无支撑的句子会被删除——这是强制执行的抗幻觉保证，而非寄望。
- 访问控制：检索按提问者的角色进行限定，并在工具层强制执行——受限的 HR 或财务文档只有有权限的人才能检索到，因此智能体无法呈现某人无权查看的内容。
- 不可信输入：问题和文档文本都被视为不可信（可抵御提示注入）——被做手脚的文档无法让智能体泄露信息或行为失常。
- 可观测性：每个答案都记录问题、所用段落及所引来源——因此任何答案都可审计，错误或过时的文档也能被追溯并修正。
- 评估框架：一组真实员工问题的黄金集，含已知正确答案以及已知的“不在文档中”案例；同时对答案正确性和该弃权时是否弃权进行评分——每次改动和每次文档更新都做回归测试。
阶段 5 · 架构
单一模型还是多智能体？
从文档作答对每个问题都是一项范围严格的任务，因此一个有据可依的单一模型配上前置的便宜分类器是正确选择——可靠、省成本、也易审计。
多智能体设计（约 15 倍 token）在这里毫无收益——这不是一个并行、广度优先的任务。
哪个模型做什么
对问题分类与路由
对高频问题做便宜、快速的意图与主题分类——大多数问题无需更多。
起草有据可依的答案
对检索段落和杂乱混合语言问题具备强推理能力——主力模型。
微妙 / 高风险的政策解读
留给一小部分含糊且后果重大、措辞至关重要的问题。
成本估算
AI 用量——每个问题
简短检索 + 有据答案，主要按 Claude Haiku/Sonnet 的 token 费率
约 RM 0.01–0.05
AI 用量——每月 500 个问题
大多数问题在 Haiku 上解决；只有微妙的才触及 Sonnet 或 Opus
约 RM 25–120 / 月
构建（一次性）
为你的文档建索引 + 接入聊天入口约需数周；简短的需求梳理后我们给出固定报价
按文档集范围报价
持续运营
相比其释放的专家时间，成本很小
监控 + 重新建索引
仅为估算，按约 1 美元兑 4.70 令吉以令吉显示；每 token 费率以 Anthropic 公布的定价为准（请核对最新数字）。实际 AI 用量取决于问题量以及每个答案所需的文本量。
阶段 6 · 评估
我们如何衡量成效
- 有据答案检查——答案中每处陈述都必须追溯到检索到的来源
- 弃权准确度——当答案确实不存在时，它会说“不在文档中”
- 业务 KPI——自助解决的问题数、消除的专家打断、作答用时
我们采用 Agent GPA 框架——Goal、Plan、Action，当前衡量智能体可靠性的标准——并结合人工基线来评估。 (reference)
设定基线
我们先取样员工如今如何获得答案——耗时多久、专家被打断多频繁、答案有多一致。这个人工基线是衡量每个智能体指标的基准，因此提升是可证明的，而非假设。
我们测试什么——Goal · Plan · Action
答案正确率
在留出的真实问题上，答案与文档中的正确答案一致
检索到正确来源
它提取的是真正回答问题的那段
该弃权时弃权
对文档未涵盖的问题，它会说明而非臆测
每处陈述都有引用
答案中没有任何一句缺少来源
无幻觉政策
它绝不陈述文档中不存在的规则
尊重访问权限
它绝不呈现提问者无权查看的文档
上线关卡
在智能体于真实问题黄金集（含故意不在文档中的问题）上超过人工基线并达到这些 GPA 目标之前，它不会面向员工上线。每次改动和每次文档更新在上线前都要针对同一数据集做回归测试。
阶段 7 · 交付
我们如何交付
我们先在一个文档集上做概念验证——你的 HR 手册或 IT SOP——先证明它作答正确且能诚实弃权，再扩展到更多来源。聚焦的首次落地只需数周。
常见问题
- 智能体的答案从哪里来？
- 只来自你提供的文档——你的 SOP、政策、手册和说明书——绝不来自公开互联网。如果答案不在你的文档中，它会如实说明而非臆测，且每个答案都引用确切来源。
- 它究竟如何在我们的文档中找到正确答案？
- 两步。在部署时，我们把你们的文档切分成有意义的片段——按章节和条款——这样它能引用确切的段落，而不是含糊地指向一份 40 页的 PDF。然后，对每个问题，它同时用两种方式检索：按含义（这样“我能报销多少？”即使措辞不同也能找到“RM 500 限额”那条）和按精确术语（这样“form BE”或“条款 4.2”能逐字匹配）。它取出最匹配的段落，只依据这些作答，并展示出处。只按含义检索会漏掉精确代码；只按关键词会漏掉人们实际会问的改写措辞——两者都做，正是它能命中正确段落的原因。
- 员工会看到无权查看的文档吗？
- 不会。检索按每个人的角色进行限定，并在工具层强制执行——受限的 HR 或财务文档只有有权限的人才能检索到。智能体无法呈现某人无权查看的内容。
- 我们的文档更新后会怎样？
- 我们在变更时重新建索引，因此更新后的政策或 SOP 一经发布即被采用——不会有过时答案。保持源文档正确，是唯一留在你团队手中的事。
- 它和 ChatGPT 这类聊天机器人有何不同？
- 通用聊天机器人从公开互联网作答，可能编造内容。这个智能体只从你的文档作答、让每处陈述都基于引用、尊重谁能看到什么、并在不知道时弃权——为内部准确性而建，而非闲聊。它是我们面向客户的工单分流智能体的内部对应版本。
案例基于真实的匿名合作，细节已作概括处理。Anchor Sprint 是 Anthropic Claude 合作伙伴网络成员——部署与落地伙伴，而非分销商。以上为一般信息，非法律或合规意见。