飛書一個聊天框，激活了機器之心編輯部的知識資產

機器之心原創

編輯：Panda、楊文

你是否也有這樣的經歷：企業知識庫像一座「屎山」，總是找不到想要的資料；找一份上週會議紀要像考古；忘了哪個群裡發過一份超重要的文件；每次寫彙報都像重新發明輪子……

歸根結底，這些問題的根源是：作為人類，我們無法完全準確地記憶龐雜的企業知識，更妄論真正地理解它們。

而現在，AI 時代已然來臨，我們已經可將許多知識檢索和整理任務交給 AI 處理，於是問題來了：如何讓 AI 真正理解我們企業自己的知識？考慮到企業知識的龐雜，簡單使用「通用 AI + RAG」或直接將企業知識放入模型提示詞的做法不僅效率極低，而且通常效果也並不好。

如果你在飛書辦公，那麼你需要的答案正是「飛書知識問答」，它不僅能滿足企業的業務理解需求，而且在信息安全方面做到了極致。使用它，我們或許就能過上「什麼都不用記，還能秒出結論」的生活。

什麼是飛書知識問答？簡而言之，飛書知識問答是一個可以將你的所有企業和個人信息聚合到一起，並理解這些信息的 AI 工具。

它能基於所有在用戶飛書消息、文檔、知識庫、妙記、服務台中的文件和文字信息，並進行深度理解，然後為用戶提供相當準確的相關反饋。並且，飛書知識問答對企業組織內的新信息的整合速度也非常快 —— 做到了秒級更新，能相當好地提升用戶工作效率。

同時，基於強大的 AI 能力（DeepSeek-R1 滿血版或豆包），飛書知識問答還能基於檢索和總結的信息推理和生成進一步的內容，成為用戶得力的工作助手。

在企業用戶最關心的安全性方面，飛書知識問答也有較好的基礎。它實現了具體到每位用戶的權限管理 —— 知識問答的權限範圍與用戶自己的權限始終保持一致，實現了權限的千人千面。此外，飛書使用的 DeepSeek-R1 滿血版模型是火山引擎獨立部署的，並與市場上其它 DeepSeek 服務完全隔離，在給用戶更好、更快體驗的同時，還能保障企業數據安全。同時，飛書也承諾不會將用戶的任何企業知識數據用於訓練 AI。

機器之心作為老用戶，也是第一次時間拿到了內測資格。一番實測後，我們認為飛書知識問答的表現整體超出預期，但也有一些不足之處，比如飛書知識問答還不能完全做到「開箱即用」，仍需要企業在知識構建方面做到一定的「AI Ready」。也就是說，如果想要飛書知識問答真正發揮作用，企業自身的信息沉澱質量、知識結構、權限管理等基礎建設同樣重要。如果企業內部資料過於混亂、權限設置不清，AI 再聰明也會犯錯。

此外，飛書知識問答也仍有不小進步空間，例如在官方發佈的演示中，便出現了回答不準的現象。不管是產品優化，還是模型的能力，此類產品在企業中發揮巨大價值，都尚有較長的路要走。

也想嚐鮮飛書知識問答？請訪問這個鏈接申請：ask.feishu.cn

一手實測

知識問答是企業知識資產的激活器

對於飛書這樣的企業協作與管理平台，文檔與知識管理是用戶的一大核心需求。在這方面，傳統上使用的技術和方法包括關鍵詞搜索、權限管理系統、版本控制與審計、知識圖譜、標籤系統等，而有了知識問答的飛書更是將前沿推理模型的強大理解能力整合了進來，讓知識問答不止於問答，更成了企業知識資產的激活器。

接下來，我們就奉上一手實測，看看飛書知識問答是如何給企業以及打工人賦能的。

強大的信息檢索能力

對於整天和「文山會海」打交道的職場人來說，扒資料、找數據是最麻煩的活兒。

信息總是散落在不同的角落里，有的群消息太多早被設成免打擾，有的文檔雖然有權限，但從未打開過。而在快節奏的工作中，去逐一回溯、查找，幾乎成了一件「性價比很低」的事情。這時飛書知識問答就派上用場。它上線了模糊搜索功能，僅需大致描述一下問題，就能快速在群聊中匹配到相應的信息。

舉個例子。前段時間公司通知要去露營，但手頭一忙就忘記具體時間和地點。我們也就是隨口一問，飛書知識問答就從群聊中提取了關鍵的露營信息。

為了防止大模型胡說八道，它還清楚標明了引用來源，輕輕一點就能定位到對話記錄。

除了聊天記錄，飛書知識問答還能檢索文檔、表格、會議紀要等。

比如讓它搜索火山引擎 Seed 1.5-VL 的發佈時間以及背後的模型架構，飛書知識問答經過一番搜索給出了圖文並茂的答案，而且它沒有止步於原始問題，主動補充了訓練數據規模、推理成本優勢等信息。

深度理解和結構化整合能力

就像「顆粒度、對齊、組合拳」等互聯網黑話一樣，AI 圈有著屬於自己的黑話。什麼 Transformer、RNN、CNN，門外漢聽了簡直兩眼一抹黑。

不過現在我們可以喂給飛書知識問答各種學習文檔，它理解消化後，就會甩給我們一份翔實的概念解釋，讓我們既能瞭解通用定義，也能知道更多業務相關信息。

比如，Meta 首席 AI 科學家 Yann LeCun 曾花 48 分鐘介紹了 SSL 模型，我們使用飛書妙記將其轉成演講稿後，全文 8729 個字，各種專業術語滿天飛，看得人一個頭兩個大。

而我們只需問一句：SSL 模型到底是個什麼？飛書知識問答就會翻遍有權限的文檔、文件，快速理解整合出答案。

此外，公司大了，規章流程也就紛繁複雜，這對於職場新人來說也是一大挑戰。現在只要問一嘴：如何申請電腦顯示器？瀏覽器插件如何安裝？飛書知識問答則可以直接呈現相關制度、辦事流程，甚至還能跳轉服務台轉人工諮詢。

就拿機器之心內部的補充醫療理賠流程來說，飛書知識問答完整梳理了補充醫療理賠流程的兩種方式，並特別強調金額門檻、時間節點等，讓人一目瞭然、無須另查。

業務導向的場景化生成能力

除了搜索和整合能力外，飛書知識問答還可以基於企業知識生成週報、工作計劃、圖表等。

就以這次團建的廚藝大賽為例。我們輸入提示詞：這次露營的廚藝大賽都有哪些菜品？分別會用到哪些食材？給列個表格。

飛書知識問答的表現遠超預期 —— 它不僅準確找到了群聊中的相關對話，還從中提取出了每位同事要做的菜品，並據此智能拆解所需食材，生成結構化表格。這不僅是對內容的搜索，更是一次對上下文的「再創作」。

不止 One More Thing

飛書知識問答還有這些能力

說到 AI 問答，很多人第一反應是「能答疑解惑就行」。但在飛書，這事情遠沒有這麼簡單。權限管理做到「千人千面」、答案來源可溯、模型隨心切換…… 飛書知識問答在安全與智能之間，找到企業所需的平衡點。

千人千面的權限管理

對於企業來說，信息安全永遠是頭等大事。

如果把企業資料無差別地輸入通用大模型，不僅存在數據泄露的風險，還可能使企業專有的知識資產成為他人的答案來源。對此，飛書知識問答通過精細化的權限管理機制，構建出「千人千面」的智能問答體驗，在保障信息安全的同時，實現高效智能的知識服務。

換句話說，在使用飛書知識問答獲取答案時，我們僅能基於自身已授權的信息進行檢索，比如可訪問的文檔、所屬群聊、參與過的會議等。因此即使 CEO、業務總監和普通員工問同一個問題，系統會根據其身份和權限範圍給出不同的回答，從而最大限度地防止敏感信息泄露。

舉個例子，這裏我們幾位同事在飛書知識問答中使用了同樣的提示詞「最近我們關注了哪些與 AI 智能體相關的內容？」，然後得到了各自權限範圍內各不一樣的答案。

對於同一個問題，機器之心不同權限的同事在飛書知識問答中得到了不一樣的響應，其中左兩圖來自機器之心編輯部，右圖來自銷售部（部分業務敏感信息已打碼）

同時，飛書還承諾企業數據不會用於訓練基礎大模型，從源頭上避免數據濫用。

飛書 AI 的權限控制機制實現了秒級響應，在信息檢索階段覆蓋全量數據，而在結果返回時則進行權限校驗，確保每一條答案都安全可控、及時準確。通過「檢索廣泛，返回精準」的策略，飛書實現了在信息安全與 AI 便利之間的高效平衡。

自動溯源，防止幻覺

長期以來，大語言模型的「幻覺」問題都是限制其在真實業務場景中落地的一大障礙。

大模型經常會生成聽起來合理、卻與事實不符的答案，尤其在涉及企業知識、流程規則或歷史數據時，一旦「編故事」，就可能誤導決策帶來風險。

飛書知識問答在這一點上給出了實用的解決方案 —— 自動溯源。基於企業自身的知識庫，如文檔、會議紀要、飛書多維表格等，它不僅能生成回答，更能在每個答案後附上來源鏈接，實現可點擊、可追蹤的原始出處展示。

在複雜、信息密集的企業環境中，這種溯源機制本質上為 AI 回答加上了「證據鏈」，大大提升了輸出內容的可靠性的同時，也增強了企業用戶在使用 AI 時的可控性和信任感。

多種模型自由切換

飛書知識問答突破了單一模型的限制，支持多種大模型的自由切換，涵蓋了滿血版 DeepSeek R1 和自研豆包大模型，極大地豐富了智能問答的技術底座。這樣的設計不僅讓系統能夠充分發揮各個模型的優勢，還為企業提供了靈活選擇的空間，滿足不同場景下的差異化需求。

更重要的是，飛書知識問答不僅支持對接企業內部知識庫，還融合了聯網搜索與混合檢索機制。這意味著，在企業本地數據無法覆蓋的場景下，系統可以自動補充來自公網的實時信息，提升回答的廣度與時效性。而在安全性和專屬定製方面，企業還可選擇自建模型或定製專屬的 AI 應用，賦能企業打造符合自身業務特點的智能問答解決方案。

如何讓 AI 真正理解企業知識？

飛書是這樣做的

通用大模型看似無所不知，卻總在企業真正關心的問題上「掉鏈子」。

比如你讓一個通用大模型介紹一下烏克蘭戰爭的最新情況，它能給你一份幾千字的時事綜述，順便還能絮叨一些地緣政治知識；但如果你問它「我們商業化團隊去年目標完成了多少？」它可能就會含糊其詞。

這是因為通用大模型依賴的是大規模通用知識和實時更新的互聯網數據。但企業問題的本質不同，它們不是關於公開信息的再組織，而是對組織內部知識結構、語境、權限以及業務邏輯的深入理解與適配。

企業知識碎片化嚴重，大量信息隱藏在會議記錄、群聊討論、內部文檔與權限受限的數據中，而且語義模糊、表達不統一、上下文不完整。若僅靠通用模型去理解並回答這類問題，效果往往是不穩定、缺乏針對性，甚至錯誤頻出的。而真正能落地的企業級知識問答，需要的不僅是「知道」，更是「理解」。

飛書做了一個重要的切口選擇 —— 不是簡單地用大模型去「連接」企業信息，而是構建一個理解企業知識的 AI 系統。這種理解的基礎，來自幾個層面的技術實現與產品邏輯。

首先，飛書知識問答系統建立在企業沉澱在飛書生態中的真實內容之上，包括文檔、群聊、會議記錄、多維表格等。不同於通用模型基於開放語料訓練，飛書系統以「權限內信息」為前提，確保每個問題的答案來源都是企業內部可讀的數據。

其次，飛書對碎片化知識進行了系統性重構：結構解析、語義統一、格式融合，甚至在技術底層解決了文檔格式差異、權限隔離等難題，為 AI 構建了清晰且上下文豐富的知識基礎。

在此之上，飛書並非「一套模型應對一切」，而是開放基座模型選擇、接入檢索增強技術（RAG），並通過 Prompt 優化、意圖識別等手段，將 AI 對企業問題的響應進行深度定向，最終實現的是一種「基於業務語境」的 AI 回答能力，不是泛泛而談，而是基於內部真實信息的語義理解和精準表達。

企業知識問答要真正有用，前提是企業自身有良好的信息沉澱習慣，而飛書恰恰構建了這樣一個天然適合 AI 的場景：工作即創作、群聊即語料、文檔即知識。它不是把大模型「塞進」企業，而是讓 AI 在企業內部「生長」出來。這也是為什麼飛書知識問答能夠超越傳統搜索式知識庫或通用 AI 助手，成為真正能服務業務、節省協作時間、驅動生產力的系統。

現在就試試

讓 AI 真正為你工作

寫到這裏，讓我們再最後一次展示飛書知識問答的能力，讓它為這篇文章撰寫結語。很簡單，打開飛書知識問答框，輸入以下提示詞。接下來，飛書會自己找到這個文檔，然後為其撰寫結語。