Knowledge factory, или «фабрика знаний», это система, которая собирает, курирует и поддерживает представление корпоративных знаний, чтобы передавать их AI-агентам. Харрисон Чейз из LangChain описывает принцип так: агенты в работе помечают, чего им не хватает или где знание ошибочно, а фоновый агент-куратор исправляет это, опираясь на исходные источники и трассы работы агентов.
Схема работает не в теории. Внутренние GTM- и content studio-агенты LangChain питаются знаниями из такой фабрики, а LangSmith Engine ведёт отдельную фабрику знаний для каждого агента. Для остальных команд вывод практический: агент уверенно повторяет формулировку, которую компания поменяла полгода назад, и причина обычно в знаниях, а не в модели.
Дальше разберём, что считать знанием, а что контекстом задачи, какие три категории знаний стоит вести, как замкнуть цикл обновления и с какого workflow начать, чтобы не строить фабрику ради фабрики.
Что такое knowledge factory и какую проблему она решает
Агенты уже закрывают задачи, за которые раньше брали людей: собирают презентации, запускают видео, пишут outbound-письма. Для этого им нужны неявные, разрозненные знания компании, и ресурсы разумно направлять именно туда. Проблема в том, что такие знания почти никогда не лежат в одном документе: часть в Notion, часть в Slack-тредах, часть в CRM и в голове менеджера, который ушёл в отпуск.
Внутренние GTM- и content studio-агенты LangChain работают на knowledge factory. Знания в этой схеме образуют отдельный слой, который живёт дольше конкретного агента и конкретной модели.
Чем knowledge factory отличается от RAG и базы документов
RAG отвечает на вопрос «что подставить в промпт сейчас»: находит релевантные фрагменты, кладёт их в контекстное окно, модель формулирует ответ. Knowledge factory решает другую задачу: как поддерживать это знание корректным во времени, кто замечает, что формулировка устарела, кто её правит и по какому источнику сверяет.
Слои дополняют друг друга. Индекс без процесса обновления быстро превращается в архив прошлогодних версий документов: поиск работает, ответы устарели. Фабрика знаний без поиска тоже бесполезна, потому что агенту всё равно нужно достать нужный фрагмент в момент задачи.
Разница видна по механике. Есть поиск по векторам и ручная переиндексация, когда кто-то вспомнил, значит перед вами RAG. Есть структурированная метка от агента в момент ошибки и фоновая правка знания по источнику, значит это уже фабрика знаний.
Откуда взялся термин: software factory и агенты
Термин вырос из идеи software factory, которая набрала популярность за последние полтора года. Смысл: лучшие инженеры не пишут весь софт руками, они строят системы, чтобы вся компания делала это эффективнее, а сборку выполняют агенты. Харрисон Чейз переносит ту же логику на знания: работа смещается к построению процесса, в котором знания поддерживаются, а агенты ими пользуются без постоянного вмешательства человека.
Список задач, которые агенты уже тянут, в публикации ограничен презентациями, видео и outbound. Дальше начинается возня с неявными знаниями, без которых агент отвечает в общем виде: какой тон принят в компании, какие сегменты клиентов существуют, что считается успехом в задаче.
Контекст задачи и переиспользуемые знания: где граница
LangChain разводит два понятия. Контекст - всё, что доступно агенту при выполнении конкретной задачи: история диалога, результаты вызовов инструментов, выгрузки, файлы. Знания - переиспользуемое понимание, которое компания поддерживает, чтобы задача решалась правильно: что означает метрика, какому источнику доверять, как обрабатывается конкретная ситуация.
Знания становятся частью контекста, когда агент берёт их в работу, но контекст ими не исчерпывается. Отсюда рабочее правило: курировать стоит то, что повторяется и влияет на корректность, а разовые данные проще подавать как контекст задачи.
Пример. Определение «активного клиента» (сколько дней без оплаты, какие события считаются активностью) это знание: оно нужно в десятках задач и меняется по решению бизнеса. Выгрузка активных клиентов за третий квартал это контекст задачи: её не курируют, её корректно достают. Если смешать одно с другим, база знаний превращается в свалку выгрузок, а агент всё равно ищет свежие данные.
Сдвиг к постоянным проактивным агентам делает границу заметнее: фоновый агент не может каждый раз уточнять у человека, что значит метрика. Разбор этого сдвига показывает, почему общих решений по памяти и контексту пока нет.
Три типа знаний: навыки, доменные знания и указания по доступу к данным
Категорий три, и такое деление удобно для инвентаризации: навыки, доменные знания и указания по доступу к данным. Границы между ними подвижные: один регламент часто содержит процедуру, определение и ссылку на источник.
Skills: как компания ожидает выполнять работу
Навыки описывают саму работу: процедуры, инструкции, скрипты. Пример: регламент outbound-письма по шагам (проверить сегмент, выбрать шаблон, согласовать с ответственным за сегмент, отправить, зафиксировать в CRM).
Проверка качества навыка простая: новый сотрудник по этому тексту выполнит задачу без дополнительных вопросов? Если в инструкции остаются «согласовать как обычно» или «учесть контекст», агент тоже не поймёт. Навык пишется как последовательность действий с условиями и критериями готовности.
Domain knowledge: определения, политики, факты
Сюда попадают определения метрик, политики, факты о продуктах, клиентах, конкурентах и организации. Примеры: что считается квалифицированным лидом, какие скидки менеджер может дать без согласования, чем текущий тариф отличается от предыдущего.
Эта категория устаревает быстрее остальных: цены меняются, политики переписывают, продукты получают новые функции. Основная нагрузка агента-куратора придётся именно на доменные знания.
Data access guidance: где брать актуальные данные
Указания по доступу отвечают, какие источники использовать, где лежат данные и как их запрашивать. Пример: сделки и суммы только из CRM, решения по процессам из Notion, договорённости из Slack, а не из пересказа в чужой переписке.
Такие указания снимают два типовых сбоя. Агент не выдумывает цифры, когда знает, где лежит источник. И не выбирает между двумя конфликтующими документами наугад, если для каждого типа данных назначен источник истины.
Чек-лист для одного workflow: выпишите шаги и нужные для них навыки, термины и политики, которые в этих шагах используются, а также источники, откуда берутся числа и статусы. Пустые места в списке и есть первый фронт работ.
Цикл обновления: как агенты сами сообщают о пробелах, а куратор исправляет
Поддержание знаний держится на обратной связи. Агент в работе замечает, что знания не хватает, и сообщает об этом; фоновая обработка превращает сообщение в правку. Без такого механизма база знаний стареет молча.
Флаг от агента: как это работает на практике
Агент получает специальный инструмент, который вызывает, когда не нашёл нужное знание или увидел противоречие между документами. Полезный флаг содержит четыре элемента: формулировку вопроса, контекст задачи (что агент делал и для кого), какой источник он проверил и чего именно не хватило: процедуры, определения или указания, куда идти.
Структура важнее самого факта жалобы. Флаг в свободной форме («не смог») превращает куратора в детектива: задачу приходится восстанавливать по логам. Флаг с полями позволяет обрабатывать поток автоматически и группировать одинаковые пробелы.
Агент-куратор по расписанию: источники и трассы
Куратор работает периодически, а не в момент запроса, и опирается на две вещи: исходные источники знаний и трассы работы агентов. Источники дают правильный ответ, трассы показывают, где агент спотыкался на реальных задачах. Конкретные расписания запуска и перечень интеграций зависят от того, как команда настроит куратора: их стоит определить до пилота, потому что от них зависит, насколько быстро правка доедет до агента.
Приоритет стоит зафиксировать сразу: исходный документ важнее трассы. Трасса показывает симптом (агент выдал неверную политику возврата), источник даёт корректную формулировку. Если строить правку только по трассе, ошибка может закрепиться в знаниях как норма.
LangSmith Engine, агент LangChain, который работает по трассам и предлагает исправления, ведёт knowledge factory для каждого агента. Такой контур опирается на платформенные возможности LangSmith; обзор платформы и трёх её направлений помогает понять, что из этого доступно своей команде, а что придётся собирать самостоятельно.
Роль человека в цикле
Автоматическое обновление удобно для фактических правок: изменился регламент в Notion, куратор обновил знание и оставил ссылку на источник. Для смысловых изменений (определение метрики, политика скидок, условия возврата) нужен ревью: предложение куратора проверяет человек с полномочиями менять правило.
Граница простая: если ошибка в знании приводит к деньгам, юридическим рискам или публичным заявлениям, правку подтверждают вручную. Частоту запуска куратора привязывают к скорости изменений в источниках, а не к удобству расписания.
Где хранить знания: почему это наименее важная часть
Формат хранения решает меньше, чем кажется. Если цикл обновления работает, знания живут и в файлах репозитория, и в Notion, и в открытом формате вроде OKF, и в графе. Если цикла нет, любое хранилище останется свалкой документов с неясной свежестью.
| Вариант хранения | Когда уместен | Что учесть |
|---|---|---|
| skills-файлы в GitHub | команда живёт в репозиториях, нужны диффы и ревью через pull request | придётся поддерживать структуру каталогов и следить, чтобы куратор писал в нужные файлы |
| файл или страница в Notion | знания ведут операционные команды, а не инженеры | версионирование слабое, откат неудачной правки нужно организовывать отдельно |
| каталог markdown-файлов в OKF | нужен открытый, читаемый человеком и агентом формат без привязки к платформе | формат намеренно минимален: схемы, инструментарий и контроль версий команда организует сама |
| граф в Neo4j | много связей между сущностями (клиенты, продукты, договоры) и нужны запросы по связям | дороже в поддержке, нужен человек, отвечающий за схему данных |
Единого стандарта для семантической памяти пока нет: пространство представления знаний для AI-агентов развивается быстро, и появляется множество несовместимых конвенций. Это ожидаемо при таком разбросе задач и моделей данных. Практический критерий выбора простой: насколько удобно куратору читать и править знания и насколько легко откатить неудачную правку. Формат, который агент читает, но человек не может аккуратно обновить, в этой схеме проигрывает.
Как внедрить knowledge factory: пошаговая схема с одного workflow
Старт с одного повторяющегося процесса дешевле, чем инвентаризация всех знаний компании. Схема ниже рассчитана на пилот, который можно пройти небольшой командой без отдельной платформы.
Шаг 1: выбрать workflow и собрать трассы
Критерии выбора: задача повторяется хотя бы несколько раз в неделю, ошибки агента заметны и стоят денег или времени, есть исходные источники истины для сверки. Хороший кандидат - подготовка outbound-писем, где агент путает сегменты клиентов, или черновики контента с неверными фактами о продукте.
Внутренний GTM-агент LangChain даёт ориентир по масштабу: по данным компании, за декабрь 2025 - март 2026 конверсия лидов в квалифицированные возможности выросла на 250%, а репсы возвращали по 40 часов в месяц каждый. Цифры относятся к конкретному внедрению, поэтому переносить их на свой процесс не стоит. Полезнее сам принцип: у пилота должна быть измеримая единица работы и трассы, по которым видно, где агент сбился.
Шаг 2: найти точки спотыкания и разложить по типам знаний
По трассам выписывают конкретные сбои и относят каждый к одной из трёх категорий: не хватило процедуры (навык), неверно понято определение или политика (доменное знание), агент пошёл не в тот источник или выдумал данные (указания по доступу). Десяток реальных сбоев даёт первый набор знаний и приоритеты: чинить сначала то, что повторяется чаще.
Шаг 3: замкнуть цикл и оценить результат
Дальше собирают минимальный контур: хранилище, инструмент-флаг для агента, фоновый куратор по расписанию и человек, который подтверждает смысловые правки. Оценка идёт по поведению системы, а не по объёму написанных документов. Падает число флагов по одному и тому же вопросу, агент перестаёт ошибаться на повторяющихся задачах, куратор закрывает большую часть флагов без ручного разбора каждого.
Расширение на следующий workflow имеет смысл, когда цикл заработал на первом: флаги приходят, правки доезжают до знаний, старые ошибки не возвращаются. Если задача разовая и больше не повторится, фабрика знаний дороже, чем ручная подготовка ответа.
Ограничения подхода и когда knowledge factory не нужна
- Стоимость поддержки. Куратор, ревью и живые источники требуют времени; цикл останавливается, как только пропадает ответственный.
- Дрейф знаний. Если документы в Notion или Slack устарели, куратор закрепит старую версию с уверенным видом. Качество фабрики ограничено качеством источников.
- Автоматизация без ревью. Для политик, цен и определений метрик автоправка создаёт риск: ошибка тиражируется быстрее, чем её замечают.
- Избыточность для статичных знаний. Если правила меняются раз в год, хватит версионированного документа и ручной проверки перед публикацией.
- Нет стандарта семантической памяти. Схему, формат и способ обновления проектирует команда; готовой кнопки «сделать фабрику» нет.
- Подход LangChain отражает опыт одной компании, а не отраслевой стандарт. Переносить его стоит с поправкой на свои источники, процессы и уровень контроля.
Начать можно с одного списка. Возьмите процесс, который агент уже выполняет, выпишите для него знания по трём категориям и отметьте места, где ответы приходится править вручную. Эти места и есть первые кандидаты в флаги, а источник истины для них стоит назначить в тот же день.