內部知識庫

The Challenge

每個組織都會在 wiki、Confluence 頁面、SharePoint 網站、Slack 對話、電子郵件存檔和資深員工的腦海中累積機構知識。在需要時找到正確的資訊是現代組織中最持久的生產力挑戰之一。據估計，員工將 20% 的工作時間花在搜尋資訊、向同事提問以及重新創建組織中某處已存在的知識。

通用 AI 聊天工具和企業搜尋解決方案部分解決了這個問題，但在關鍵方面仍有不足。它們可以檢索包含相關關鍵字的文件，但無法回答需要綜合多個來源資訊或理解組織特定脈絡的問題。像「我們處理客戶資料外洩的流程是什麼？」或「哪個團隊負責與 Stripe 的計費整合？」這樣的問題需要了解組織的特定流程、團隊結構和技術堆疊——通用模型不具備的脈絡，關鍵字搜尋也無法提供。

The Solution

Ertas 使組織能夠在其自有的內部文件、來自服務台和支援管道的問答配對，以及流程文件上微調知識庫模型。產出的模型理解組織的特定術語、團隊結構、工具和程序——將其轉變為一個能準確回答問題並引導員工找到正確資源的知識豐富的內部助手。結合對當前文件的 RAG，模型提供基於其訓練理解和最新文件的答案。

透過 Ertas Studio，知識管理團隊在從內部支援管道、IT 服務台工單、HR 常見問題回覆和專家訪談中提取的精選問答配對上進行訓練。模型不僅學習事實答案，還學習圍繞它們的組織脈絡——該聯繫哪個團隊、該使用哪個工具、該遵循哪個流程，以及適用哪些例外。透過 AnythingLLM、Dify 或由 Ertas Cloud 支持的自訂聊天介面部署，知識庫成為員工可以用自然語言查詢的對話介面。Ertas Vault 確保所有內部知識保留在組織的基礎設施內，並配備尊重現有文件權限的存取控制。

Key Features

Example Workflow

一家 2,000 人的科技公司的機構知識分散在 Confluence（15,000 頁）、Slack（3 年的可搜尋歷史）和 Zendesk 服務台（50,000 張已解決工單）中。IT 和人事營運團隊從服務台工單、Slack 支援管道和手動策劃的常見問題文件中提取 25,000 個問答配對，然後上傳至 Ertas Vault。在 Ertas Studio 中，他們微調一個理解公司特定工具（系統內部名稱、縮寫、團隊名稱）、流程（入職、採購、事件回應）和政策（休假、報銷、資料分類）的模型。模型透過 AnythingLLM 部署在內部基礎設施上，Confluence 文件作為 RAG 上下文載入。員工透過 Slack 機器人和網頁介面存取知識庫。三個月內，IT 服務台工單量下降 35%，因為員工能即時獲得常見問題的答案。新員工入職滿意度分數提升，因為知識庫能回答以前需要找到並打斷對的同事才能得到答案的問題。