知识库质量该看什么？联想 ITIL 5 内训课程教学心得分享

当知识被 AI 使用，数量不再是最重要的指标

本系列为艾拓先锋长河老师2026年5月联想ITIL 5内训课程教学心得分享，共五篇，本文为第四篇。

知识库做得好不好，过去很多组织最容易看的指标是数量——有多少篇知识文章，覆盖多少类问题，更新了多少条 FAQ，沉淀了多少复盘经验。这些指标不是没有价值，但在 AI 数字员工开始使用知识库之后，单看数量会越来越不够。这次联想 ITIL 5 Foundation 内训课程中，课间有位负责知识库建设的同事了我几个很现实的问题：长河老师，当 AI 开始大量检索、生成和使用知识，知识库应该怎样调整？Markdown 或半结构化内容是否更适合 AI？人类工程师的角色是否会从主要撰写者转向审核者？这些问题背后，其实都在指向知识库质量指标的变化。

传统知识库面向人，指标自然也围绕人的使用习惯设计：文章分类是否清楚，标题是否规范，搜索是否方便，点击量高不高，用户评价如何。

这些仍然重要。但 AI 使用知识的方式不同——AI 需要从知识中提取语义关系，理解上下文，生成建议，甚至把知识转化为下一步动作。如果知识条目内容过期、上下文缺失、适用范围不清、步骤存在模糊表述，AI 可能会比人更稳定地引用这些问题。所以知识库进入 AI 时代，第一类指标应该是可用性指标：某篇知识是否能被 AI 正确检索到？AI 引用它后，生成的建议是否被人工认可？知识条目是否包含足够上下文，是否标注了适用系统、版本、场景和限制条件？这些指标比单纯文章数量更能说明知识库是否适合数字员工使用。

第二类是准确性和时效性指标：知识条目多久未更新？是否经过负责人审核？与当前系统版本是否一致？是否有使用后反馈？过期知识对人来说已经有风险，对 AI 来说风险更大，因为 AI 不一定会像资深工程师那样凭经验质疑内容。教室里陆续坐满了人，每一位都是 IT 管理层，真正把实践问题带进课堂。这个场景让我想到，知识库的价值不在于堆满内容，而在于内容能否真正用起来。

第三类是转化率指标：知识库不只是存放内容，还应该支持能力转化。哪些 SOP 可以提炼成 Skill？哪些知识条目可以支持自动化建议？哪些复盘经验被转化成了新的检查项、规则或操作步骤？从 SOP 到 Skill，是 AI 时代知识管理的重要变化。SOP 是写给人看的，里面可能有"根据情况判断""必要时确认"等表达；Skill 要给 AI 调用，就必须明确输入参数、执行逻辑、输出结果和异常处理方式。衡量知识库价值时，不能只看写了多少 SOP，还要看有多少高频、标准化、低风险的 SOP 被成功提炼成可复用 Skill。

第四类是审核质量指标。AI 可以根据工单、日志和复盘材料自动生成候选知识条目，但这些条目不能直接进入正式知识库，人类专家需要审核。这里可以看 AI 生成初稿的审核通过率、人工修改比例、退回原因分布、上线后被引用效果。这类指标会帮助团队判断：AI 是真的减轻了知识整理负担，还是只是生成了更多需要人工返工的内容。

我对知识产品一直很敏感。自己写过《ITIL 4 服务管理认证考试指南》，作为官方《ITIL 基础第 5 版》中国区翻译组组长。写给人学习的知识，最重要的是清晰、准确、便于理解；写给 AI 与人共同使用的知识，还要加上可调用、可反馈、可持续维护。

知识库质量指标不能停在"内容多不多"。真正要看的是：知识是否能被正确使用，是否能降低问题处理时间，是否能提升一次解决率，是否能支持 AI 生成高质量建议，是否能转化为 Skill，是否能通过反馈持续改进。还有一个很重要的维度，是知识使用后的效果：某条知识被 AI 推荐后，是否解决了问题？工程师是否采纳？用户是否满意？后续是否出现同类问题复发？如果一条知识被频繁引用但经常无法解决问题，它可能需要重写；如果一条知识引用不多但对关键场景非常有效，它也应该被重点维护。