很多人使用ai知识库的方式，是把所有资料一股脑上传，紧接着就开始提问。但金山办公员工张梓赟的做法却截然不同：资料上传并非终点，而是引导ai深入理解业务逻辑的起点。
他日常负责AI中台建设、跨产品线协同及多种解决方案落地，涉及大量专业概念、嵌套层级与交叉关系。当把相关材料导入WPS Comate的Wiki后，他并未急于手动搭建目录结构，而是先让AI自主完成内容解析与组织，随后连续追问：“哪些被识别为抽象概念？哪些属于具体实体？为何生成当前结构？还有哪些关键信息尚未覆盖？”这一过程，实质上是在与AI共同“立规则、建共识”。
第二步，他主动邀请AI发起反向提问。他会明确告诉AI：“你已学习完毕，现在轮到你来问我——有哪些地方还不清楚？”AI随即输出一份自查清单：已掌握的内容要点、存疑环节、信息缺口，以及待验证的逻辑关联。传统知识整理中，人往往难以精准定位缺失项；而如今，AI率先暴露认知盲区，业务人员便可据此精准补缺、定向强化。
为防止未经验证的理解误导后续应用，他还设计了“校准—入库”双阶流程：AI初步形成的认知结论与问答对，先暂存于Memory模块，经人工审核、修正、确认后，才正式归入Wiki知识库。一次完整校准后，AI甚至自主重构出品牌、解决方案、产品线与SKU之间的全景映射关系。
在筹备轻舟AI发布会PPT期间，这套持续演进的知识管理体系显现出显著价值。他先调用Comate基于Wiki自动生成内容框架，在确认整体逻辑无误后，再逐页生成具体内容，最终交付的第一版PPT即具备直接使用的成熟度。这个实践印证了一个关键认知：真正高效的AI知识库，不在于“投喂量有多大”，而在于能否像培养一位新同事那样，通过持续对话、即时反馈与闭环校准，让AI逐步沉淀出稳定、准确、可信赖的业务理解力。
