知识管理论坛 >

2026 , Vol. 11 >Issue 3: 281 - 292

DOI: https://doi.org/10.13266/j.issn.2095-5472.2026.024

最佳实践

大模型赋能知识管理运营机制建设——以电力企业为例

  • 师亚东 ,
  • 曾良波 ,
  • 徐铂裕 ,
  • 余一凡
展开
  • 广东电网公司管理科学研究院 广州 510220

作者贡献声明 /Author contributions：

师亚东：负责选题构思、整体框架设计、资料全面搜集、全文主体撰写与多轮修改完善；

曾良波：把控整体研究方向，优化论文逻辑结构，统筹全文修订并完成最终定稿；

徐铂裕：参与研究思路研讨，完成文献归集梳理，整理基础案例素材，撰写理论基础内容；

余一凡：参与论文内容打磨，开展案例深度分析与论证加工，协助校对文稿部分内容，审核学术规范与格式。

师亚东，中级经济师，硕士，E-mail：

曾良波，高级工程师，本科

徐铂裕，中级工程师，本科

余一凡，研究员，硕士。

收稿日期: 2025-11-17

  网络出版日期: 2026-06-30

基金资助

南方电网公司管理创新项目“广东电网公司知识管理运营能力建设研究”(GDKJXM20240794)

收起

Empowering the Construction of a Knowledge Management Operation Mechanism with Large Language Models: A Case Study of Power Enterprises

  • Shi Yadong ,
  • Zeng Liangbo ,
  • Xu Boyu ,
  • Yu Yifan
Expand
  • Management Science Research Institute of Guangdong Power Grid Co. , Ltd. , Guangzhou 510220

Shi Yadong Intermediate Economist, Master’s Degree, E-mail:

Zeng Liangbo Senior Engineer,Bachelor’s Degree

Xu Boyu Intermediate Engineer, Bachelor’s Degree

Yu Yifan Research Fellow, Master’s Degree.

Received date: 2025-11-17

  Online published: 2026-06-30

Supported by

China Southern Power Grid management innovation project titled "Research on the Knowledge Management Operation Capability Building of Guangdong Power Grid Company"(GDKJXM20240794)

Fold

摘要

[目的/意义] 研究大模型赋能广东电网公司知识管理运营机制构建路径，旨在革新传统知识管理模式，提升流转效率与价值挖掘能力，为组织决策与创新提供智能支撑。[方法/过程] 通过解构电力企业知识管理相关概念，研究人工智能时代知识管理运营趋势，分析能源行业相关企业大模型赋能知识管理运营的案例，总结广东电网公司知识管理运营机制建设工作，验证大模型能够赋能电力企业知识管理运营机制构建。[结果/结论] 大模型能够助力电力企业在知识管理运营中实现知识显性化、运营常态化、知识价值化的工作目标。

关键词： 电力企业; 知识管理; 知识管理运营; 人工智能; 大模型

本文引用格式

师亚东 , 曾良波 , 徐铂裕 , 余一凡 . 大模型赋能知识管理运营机制建设——以电力企业为例[J]. 知识管理论坛, 2026 , 11(3) : 281 -292 . DOI: 10.13266/j.issn.2095-5472.2026.024

Abstract

[Purpose/Significance] The research on constructing pathways for large language models to empower the knowledge management operation mechanism of Guangdong Power Grid Corporation aims to revolutionize traditional knowledge management models, enhance the efficiency of knowledge flow and value mining capabilities, and provide intelligent support for organizational decision-making and innovation. [Method/Process] By deconstructing concepts related to knowledge management in power enterprises, examining trends in knowledge management operations in the era of artificial intelligence, analyzing case studies of large language models empowering knowledge management operations in energy-related enterprises, and summarizing the efforts in building the knowledge management operation mechanism at Guangdong Power Grid Corporation, this study validated that large language models can indeed empower the construction of knowledge management operation mechanisms in power enterprises. [Result/Conclusion] Large language models can assist power grid companies in achieving the operational goals of making tacit knowledge explicit, institutionalizing operations, and realizing the value of knowledge within their knowledge management frameworks.

Key words： power enterprises; knowledge management; knowledge management operations; artificial intelligence; large language models

全球新一轮科技革命和产业革命交汇，信息技术飞速发展，与依靠物资和资本等生产要素投入的经济增长相区别，现代经济的增长越来越依赖于知识含量的增长，当今世界迈进知识经济时代。
在知识经济时代全面来临的背景下，企业的经营范式、管理体系与商业逻辑均迎来了深刻变革。面对复杂多变的国内外市场环境与消费需求格局，企业的核心竞争力已不再局限于规模化量产能力和对稀缺性资源的掌控力，而是要依托持续的知识汲取、知识转化与知识突破，着力提升自身的创新能级，唯有如此才能在激烈的市场角逐中筑牢根基，实现长期竞争优势的稳固与延续。
2023年，国务院国有资产监督管理委员会（以下简称“国资委”）发布《关于中央企业新型智库建设的意见》（国资厅发研究〔2023〕19号），强调“努力建设一批支撑企业、引领行业、服务国家、面向全球的新时代中央企业新型智库，充分发挥咨政建言、理论创新、舆论引导、社会服务、国际合作等重要功能”。该政策为企业智库赋予了新的使命，企业智库的核心功能已从单一的企业决策支持，拓展到咨政建言、理论创新、舆论引导、社会服务、国际合作等多元领域。
广东电网公司顺应时代浪潮，同时响应国资委新型智库建设要求与南方电网公司“十四五”发展规划提出的“建立健全公司知识管理体系，推动知识管理为业务赋能”发展目标，于2023年启动公司知识管理建设，陆续发布《知识管理建设工作方案（2024—2025年）》《广东电网公司知识管理体系文件》《关于印发广东电网公司加强企业级知识管理意见的通知》等顶层文件，并成立知识管理研究部，上线企业级知识管理平台，在知识管理体系建设上初见成效。
针对电网企业技术密集、知识结构复杂及专业门槛高等典型特征，广东电网公司深度应用人工智能大模型技术，通过大模型驱动知识的自动化采集、智能化关联与精准化推送，实现知识管理运营机制重构，并完成“人找知识”向“知识找人”的范式转变。本文通过梳理与归纳广东电网公司依托大模型赋能知识管理运营的实践路径，旨在为同类企业知识管理运营体系的构建与能力提升提供实践参考。

1 概念解构/Conceptual deconstruction

1.1 企业知识定义

知识作为知识经济时代最具有价值的资源之一，存在多种定义。维格认为知识是人或者其他有生命事物所拥有的真理和信念、视角和概念、判断和预期、方法论和技能等[1]。达文波特认为知识是一种包含了结构化经验、价值观、关联信息以及专家见解的动态组合或流动混合体，它能为评估和整合新经验与新信息提供框架[2]。管理大师德鲁克认为，知识通过改变一些信息，为决策行动提供依据和基础，使个人或组织作出的决策更有效[3]。
结合各专家学者对知识的定义，基于广东电网公司知识管理的实践情况，笔者认为企业知识是指在业务实践中汇聚沉淀并经系统整理、提炼加工后形成的认知、方法与技能，具有可参考、高复用、需传承的价值。

1.2 企业知识管理定义

知识管理代表着一系列新的管理方法和管理思想，是知识时代组织取得核心竞争优势的有力工具。
美国生产力与质量中心（American Productivity and Quality Center，APQC）将知识管理定义为：为了提高组织竞争力而进行的知识鉴别、获取和充分发挥其作用的战略和过程。这是一个动态的实践过程：第一步是创造、发现和收集内部知识和最佳实践；第二步是共享和理解这些实践，以便它们能被利用；第三步是使这些实践适应新环境并运用到新环境中。知识管理就是将正确的知识在正确的时间推送给正确的人，帮助他们解决问题。
国家标准（GB/T 23703.1—2009）《知识管理 第1部分：框架》根据中国组织实际情况，将知识管理定义为对知识、知识创造过程和知识的应用进行规划和管理的活动。知识管理工作的目标也是为了实现企业的经济效益，推进企业各种业务的开展。在具体管理的过程当中，主要是利用积累到的知识以及企业经营活动的特征，展开一系列行之有效的管理，帮助企业制定出科学合理的决策，全面推进企业的快速发展[4]。
广东电网公司在开展知识管理过程中，遵循国家标准中的定义，聚焦知识本身、知识创造、知识应用等各类活动，开展规划与管理工作。

1.3 电力行业知识管理特征

电力行业是技术密集型和资产密集型行业，同时由于其产品特殊性、技术保密性、技术专业性的特点，团体标准（T/CET 001—2021）《电力行业知识管理》第一部分导则中提到，电力行业知识管理应根据电力行业核心业务，鉴别知识资产。开展的知识管理活动应围绕知识鉴别、知识创造、知识获取、知识存储、知识流通、知识使用进行。知识管理的实施应从4个维度建设组织内的知识管理基础设施，即组织文化、技术设施、组织结构、制度以及人力资源（图1）。
图1 电力行业知识管理概念模型[5]

Figure 1 Knowledge management conceptual model in the electric power industry

基于以上团体标准对知识管理概念模型的定义，广东电网公司在实践过程中通过调研管理部门、供电局，得出以下电力企业知识管理运营特征。
（1）知识构成复杂，显性规范与隐性经验并重。电力系统的知识体系呈现出高度的二元性。一方面，显性知识系统庞大且高度结构化，包括强制性的技术标准、操作规程、设计图纸、政策法规等，是保障行业规范运行的基石；另一方面，隐性知识（如专家经验、故障诊断诀窍、应急决策直觉）在应对不确定性和复杂故障时具有不可替代的价值。知识管理的核心挑战在于实现隐性知识的有效捕获、显性化与传承。
（2）知识体系高度分散，亟需系统性整合。由于历史沿革与专业分工，行业知识长期分散在调度、运检、营销、基建等不同部门以及发电企业、电网公司、科研院所等不同主体，形成了显著的“信息孤岛”。现代知识管理实践致力于通过构建企业级统一平台，实现跨部门、跨专业、全流程知识的有机整合与协同共享。
（3）数字化转型驱动知识管理模式革新。智能电网、物联网、数字孪生等技术的发展，推动知识管理从静态文档库向与实时数据深度融合的动态体系演进。通过大数据与人工智能技术，实现从海量运行数据中自动萃取知识，构建智能问答与辅助决策系统（如预测性维护、故障智能诊断），成为重要发展方向。

1.4 企业知识管理运营定义

知识运营是指通过一系列的运作手段维护知识价值，促进知识流通，从而发挥知识对业务的支撑作用[6]。
企业知识管理运营目前并没有明确的定义。通过研究知识管理经典与权威表述，笔者认为知识管理不是单一“建库”，而是一组端到端流程与机制，用于让知识被持续产生、治理、传播和使用。在管理体系语境里，“运营”通常不等同于“建设/上线”，而是建立、实施、维护、复盘、改进的常态化闭环。通过确定知识管理的最小共识，并结合企业运营要求，笔者认为企业知识管理运营是围绕知识资产与知识服务全生命周期，以可持续、可度量方式把知识管理体系长期运行起来并持续优化的活动体系。
电力行业知识管理运营，是指电力企业围绕生产运行、设备运维、安全管理、经营决策和创新发展等业务场景，对电力行业相关知识资源进行系统管理、持续更新和有效应用的一系列活动。通过知识管理运营，电力企业能够将分散在个人经验、业务流程、技术文档、运维记录和项目实践中的显性知识与隐性知识进行系统整合，形成可沉淀、可检索、可复用、可迭代的组织知识资产。知识在持续获取、创造、分享、整合、记录、存取、更新和创新的过程中，不断回馈至知识系统，推动个人知识向组织知识转化、业务经验向组织能力沉淀，最终形成持续积累和循环演进的组织智慧。

2 人工智能驱动下知识管理趋势与实践/Trends and practices of knowledge management driven by artificial intelligence

2.1 知识管理发展趋势

随着信息化技术的不断革新，传统知识管理运营中主要依赖团队对知识资产的手工整理和分类的方法逐渐被淘汰，运用人工智能和大数据技术提升企业知识管理成效的方法层出不穷。柳淑婷等通过研究对比普华永道、腾讯和中天科技3家企业的数字化知识管理案例，提出人工智能技术在知识管理中的应用最为突出[7]。周湘智提出人工智能正在深刻改变智库的传统研究范式、内部工作程式、组织结构模式、人员配置阵式、知识管理形式、价值呈现方式和组织文化样式[8]。董冠军等认为，借助大数据技术、人工智能技术等先进手段，企业能够高效整合内外部知识资源，实现知识的结构化存储和智能化加工。特别是智能问答、知识推送等应用的出现使知识获取变得更加便捷，从而为企业决策和创新提供了有力支持[9]。
近年来，以大规模语言模型（large language model，LLM）与检索增强生成（retrieval-augmented generation，RAG）为代表的生成式人工智能技术，正在推动企业知识管理从传统的“静态存取”范式向“主动生成与智能决策支持”范式转型，实现自然语言检索、自动化总结、知识资产构建以及任务型智能助理等功能。
（1）RAG成为企业知识管理的关键中枢。通过对文档、常见问题与业务数据库进行向量化表征，并引入检索层辅助生成，RAG能够在事实约束基础上提升模型回答的准确性与覆盖度。大量工业实践与学术研究均证实，RAG是将LLM安全、可靠地应用于企业内部知识库的主流技术路径，已构成现代知识服务系统的基础框架。
（2）知识图谱与语义层成为可信性与跨域整合的核心支撑。为减少模型幻觉并增强可解释性，研究趋向于将结构化知识图谱与LLM深度融合。知识图谱提供精确的实体—关系结构、语义约束与规则校验机制，实现可溯源的知识链路。相关文献指出，在企业决策、合规管理与复杂语义查询中，语义层与知识图谱的作用尤为显著。
（3）向量数据库与语义检索重塑企业知识获取模式。相较于传统关键词检索，向量检索通过语义嵌入与相似性度量实现对海量非结构化知识的高效定位，并可结合层级索引与元数据过滤显著提升检索精度与相关性。目前，多数商业知识管理产品已将语义检索与向量数据库作为核心能力。
（4）Agent化架构与知识流水线（KnowledgeOps）兴起。新兴研究强调将检索、验证、推理与动作执行模块化、编排化，形成可自主决策、可执行任务的Agent系统或知识流水线，使知识管理系统由“被动回答”向“任务执行”拓展。RAG亦在向混合检索、推理链与基于元数据的策略优化方向演进。
（5）多模态知识管理成为新的能力边界。随着多模态模型的成熟，企业能够将文本、图像、表格、代码等异构知识纳入统一框架，实现跨格式检索、摘要与关联分析，从而显著扩展知识管理的应用深度。
（6）人机协同与可解释性是稳健落地的重要保障。关键决策场景仍强调“人工在环”，并辅以来源标注、置信度提示与可解释机制，以满足企业风险控制、合规要求与用户认知需求。

2.2 知识管理运营实践案例

AI-GPT（AI-generative pre-trained transformer）技术泛指具有人工智能特征的生成式大语言模型技术，在未来有着广泛的应用前景和发展潜力。通过持续的性能优化，未来将在多模态处理、复杂语义理解、模型可解释性、协同与集成等方面取得重要进展。这些发展不仅将使AI-GPT技术应用更好地服务于人类，而且能为知识管理提供智能化动力[10]。自2022年以来，以ChatGPT为代表的人工智能技术，能更好地理解和生成自然语言和图像等，并以人机对话等多种方式提供智能化功能，这使得大模型可以在知识管理的各个环节发挥关键作用[11]。
吴庆海在《ChatGPT将对知识管理界带来怎样的影响？》一文中总结提炼了ChatGPT与知识管理的关系[12]：①ChatGPT本身就是知识管理的一个具体的结果呈现；②ChatGPT对知识管理是一个极大的刺激和推动；③ChatGPT为知识管理提供了一个威力无比的工具。
综上所述，笔者认为大模型的崛起本质上是AI从“工具理性”向“通用智能”探索的里程碑。大模型在企业知识管理体系构建与推动执行中存在巨大潜力，因此研究分析大模型在企业知识管理运营中的应用案例有助于搭建电网知识管理运营机制。

2.2.1 秦山核电基于AI大模型开展知识管理平台运营[13]

为提升核电知识的利用效率，秦山核电依托大语言模型、智能检索、知识图谱、语义分析及智能推理等数字化技术，整合内外部海量知识资源，打造“i-知识”管理平台，实现核工业语义库、智能问答等七大核心板块功能。
“i-知识”管理平台依托AI技术开展知识管理内容运营，通过构建核工业标准知识库，实现标准术语、章条、指标等知识元级别检索，建立标准与管理程序的知识元级别关联，实现标准差异化分析及数字化阅读。采用语义模型作为协同过滤算法，根据用户的检索、浏览、下载等行为以及岗位信息开展知识管理用户运营，自动绘制用户画像，并进行精准推送，实现由“人找知识”向“知识找人”的转变。

2.2.2 宁德核电发布“锦书”大模型赋能企业知识管理运营[14]

针对核电行业面临知识管理不足、低脑力劳动过多、安全分析能力有待增强等挑战，中国广核集团旗下宁德核电自主训练了专为核工业领域打造的大语言模型“锦书”，并基于“锦书”开发了国内首个核工业大语言模型应用平台“云中锦书”，部署了基于系统化培训理念的智能培训系统，打造了AI大模型核电培训应用场景，为企业知识管理活动运营赋能，营造了企业内部知识创造、知识共享的氛围。
在AI大模型核电培训应用场景下，工程师可在平台上构建一个专属于自己的数字工程师，实现技术知识的无障碍共享，并随时调阅学习新技能和知识。此外，宁德核电还将AI大模型应用于设计、建造、运维、安质环管理等核电工程领域的多个复杂工作场景。以设计领域为例，在核电站多专业数字化设计中，运用AI大模型可实现全厂三维设计、全自动出图、自动提资与设计数据审查，推动了数字化协同设计，为设计生产提质增效。

2.2.3 南宁能源集团引入DeepSeek大模型赋能数字化管理平台运营

南宁能源集团为进一步挖掘人工智能大模型技术在生产经营中的应用潜力，探索“AI+能源”深度融合，其智慧能源数字化管理平台成功接入DeepSeek大模型技术。原平台通过整合充电枪实时状态监测数据、用户换电行为画像等12类核心数据资产，构建了覆盖“设备—用户—环境”的三维智能分析体系。接入DeepSeek大模型后，对充换电知识进行针对性训练，实现90%用户咨询的语义解析，服务响应速度较传统人工模式提升5.8倍，问题处理准确率得到极大提升，解决了新能源汽车用户“充不了电时怎么排查问题”的核心痛点。

2.2.4 中国五环利用腾讯乐享大模型赋能企业知识管理运营

中国五环前身为1958年成立的化学工业部第四设计院，现为国资委下属中国化学工程集团有限公司的全资子公司。其拥有工程设计综合甲级资质，业务覆盖煤化工、石油化工、天然气化工、新材料、工业环保等领域。
基于乐享大模型的能力，中国五环将企业内部的图文、音视频等资料直接上传，沉淀为结构化的知识库，同时实时追踪知识的更新时间，确保知识更新更及时，结合深度推理能力和更新机制，助力知识高质量可用。
针对知识管理活动运营中提到的员工培训，乐享AI助手支持自动生成知识点和内容摘要，可根据培训目标与学习范围，自动生成考试题目，大幅提升培训的效率和实用性。同时，乐享AI助手能够通过智能问答为员工提供即时、精准的业务知识支持，帮助员工在实际工作中快速获取制度规范、操作流程、典型案例和经验方法等知识内容，提升问题解决效率和业务执行能力。员工在问答过程中的高频问题、反馈意见和知识缺口，也可反向促进知识内容的补充、修订和更新，推动企业知识资源持续优化，保障知识随时可查、随需可用和高效流动。

3 广东电网公司知识管理运营框架/The knowledge management operation framework of Guangdong Power Grid Company

3.1 知识管理运营机制建设原则

围绕广东电网公司发布的《关于印发广东电网公司加强企业级知识管理意见的通知》，聚焦公司现阶段在企业级知识管理运营上面临的核心痛点，广东电网公司明确知识管理机制建设应遵守全员参与、业知融合、场景牵引、平台赋能4项基本原则。
（1）全员参与。推动领导、员工深度参与企业知识管理建设，形成知识贡献文化，营造知识共享氛围。同时构建“人—知识—流程”联动机制，实现员工、知识、业务快速链接。
（2）业知融合。推动业务与知识管理深度融合，将知识管理贯穿于业务流程的各个环节。在业务规划、执行和评估中充分运用知识管理的知识资源与运营机制，促进业务创新和优化，同时通过业务实践不断丰富公司知识资产。
（3）场景牵引。推动知识管理运营机制适配业务场景，挖掘运营机制落地的典型业务场景，明确知识在场景中的产生、总结、查找及复用过程以及对系统应用和流程机制支撑的要求，从而形成切实可行的知识管理运营方案。
（4）平台赋能。推动人工智能技术赋能知识管理，将公司现有知识管理平台作为运营核心载体，开发人工智能应用，提升业务工作质量和智能化水平，助力公司数字化转型和创新发展。

3.2 知识管理运营机制建设思路

3.2.1 明确运营机制建设目标

建立健全公司知识管理运营工作体系，围绕知识显性化、运营常态化、知识价值化三大目标，依托知识管理平台，持续开展知识管理四位一体运营，将知识管理嵌入业务流程，建立人与人、人与知识、知识与业务的连接，营造知识共享、复用、创新的浓厚氛围，推动人工智能大模型技术赋能知识管理运营，保持知识管理先进性和生命力，强化企业创新能力及核心竞争力，支撑公司创建世界一流企业。
公司的整体业务框架围绕着构建世界一流的知识管理能力，服务于公司高质量发展的方针展开。具体来说，它致力于实现知识显性化、运营常态化以及知识价值化的目标，即将无序和分散的经验转化为可用的知识资源，并确保这些资源能在正确的时间以适量的方式传递给正确的人。为了达成这一目标，公司采取全员参与、业知融合、场景牵引及平台赋能的战略。

3.2.2 运营机制建设框架设计思路

（1）做好知识管理运营统筹策划。建立健全知识管理运营组织，落实公司知识管理年度目标，制定知识管理运营年度工作计划并推动执行；构建知识管理运营评价体系，定期总结知识管理运营工作开展情况，对知识管理情况进行评价，编制知识管理运营工作报告，分析问题、总结经验，高效推进知识管理工作。
（2）推进知识管理四位一体运营。以内容运营夯实知识体系，以活动运营营造知识氛围，以平台运营支撑知识流转，以用户运营激发知识活力，依托大模型技术全方位优化知识管理运营体系，推进知识管理运营工作开展。基于知识资源本身，运用AI大模型，立足公司现有知识储备，剖析知识结构，精准定位知识缺口和需求；通过系统性开展知识萃取提炼、接入获取、治理入库、场景挖掘和共享应用，持续提升知识的专业性、丰富度和时效性，构建契合用户需求的知识资源服务清单；贯穿于知识活动全流程各环节，优化平台功能，组织知识管理活动，深度激发全员参与热情，提升用户黏性，绑定信息化平台AI能力，提高技术支撑，以评促用激励知识创新分享，系统性推动知识的高效共享与重用。
（3）健全知识管理运营保障体系。构建知识管理运营保障体系，落实知识管理运营组织架构和岗位职责，筑牢知识管理运营工作基础；制定出台系列知识管理模板、规范，为知识管理运营提供标准化指引；持续跟踪评估知识管理运营效果，提升全员知识管理意识与实操技能，科学精准评价知识运营工作成效，及时发现知识管理运营过程中的问题与短板，持续优化改进。

3.3 知识管理运营机制建设框架

围绕知识资源鉴别、创造、获取、存储、共享、应用的全流程，建立健全四位一体的知识管理运营机制（图2），夯实知识体系、营造知识氛围、支撑知识流转、激发知识活力，推动公司高质量知识常态化和生态化运营，推进知识管理与业务深度融合，促进知识的沉淀、共享、应用、创新和知识价值的释放。
图2 知识管理运营机制框架

Figure 2 Knowledge management operational mechanism framework

3.3.1 以内容运营夯实知识体系

知识管理中内容运营是连接知识资源与应用场景的核心纽带，广东电网公司以持续整合知识资源、夯实结构化知识体系、形成知识脉络为目标，制定了常态化内容运营的具体任务，帮助企业积累知识资产，降低知识获取成本。
（1）知识萃取与知识挖掘。制定公司知识萃取工作计划，组织培训交流，在重点专业域试点开展知识萃取，逐步推动知识萃取和隐性知识挖掘常态化，将知识萃取成果提交至知识管理平台。推动组建知识管理专家委员会，以及各专业域知识管理小组，吸纳内外部专家和业务骨干形成公司专家网络，通过参与经验交流、技术研讨等，挖掘专家隐性知识。
（2）知识资源获取与整合。根据知识需求建立并更新知识资源获取来源，形成知识资源接入计划，推进各专业域、各单位知识资源的编码整理和接入。构建外部知识资源来源库，推动其纳入知识管理平台以供查询应用；对接公司已有业务系统，确定业务系统知识资源接入内容、方式和更新机制，推动各系统存量和增量知识资源接入知识管理平台；制定各类知识资源模板，推动全员常态化上传知识文件。
（3）知识存储与数据治理。构建涵盖多维度的知识服务目录及以知识载体为主的资源类型体系，支持不同层面知识库建设，定期评估知识分类体系在平台的应用情况与有效性，结合业务调整予以梳理更新。制定知识治理标准和规则，对接入平台的知识文档和数据开展治理。制定知识内容更新规范，梳理知识产出要求，推进内部知识上传更新。

3.3.2 以活动运营营造知识氛围

广东电网从多维度强化知识管理工作，在活动策划组织上，统筹开展各类知识活动并定期复盘，通过评优和奖励激发员工创新与分享热情；在品牌建设方面，打造专属IP与文创产品，借助公众号推文及多元宣传物料扩大影响力；在培训体系构建上，制定培训计划、编制教材，推进公司级及部门培训，将知识管理纳入新员工培训，并完善线上培训资源，以此全面提升知识管理效能。
（1）知识管理活动的策划与组织。策划、实施公司级知识管理活动，推动各专业域、各单位开展个性化知识活动，包括研讨会、知识分享会、专业讲座、知识竞赛等，定期复盘知识管理活动效果。组织公司知识管理评优，评选公司优秀知识管理组织、优秀知识管理员工、优秀知识成果及优秀知识管理案例，为获奖的单位和个人提供专项奖励，激励员工创新和知识分享。
（2）知识管理品牌建设。设计广东电网知识管理的个性化品牌形象IP，组织开展相关衍生文创产品设计和制作。制定Elink公众号的宣传推文计划，定期发布知识管理理念、场景应用实践、品牌形象等类型的宣传推文，策划制作宣传海报、宣传展架等多种类型的创意宣传物料，并申请线下投放渠道，以扩大品牌影响力。
（3）知识管理培训。制定公司知识管理培训计划，组织编制知识管理培训教材，包括知识管理导入、知识管理平台应用、知识萃取等，开展公司级知识管理培训，推动各部门和单位组织开展本业务领域、本单位员工的知识管理培训。将知识管理理念培训纳入新员工培训。建设知识管理线上培训课程和教材库。

3.3.3 以用户运营激发知识活力

知识本身是静态的，只有被流动、应用和创新，才能产生价值。而对于广东电网公司而言，企业员工正是知识流动的核心驱动力。通过用户运营激发知识活力，本质上是构建一个“知识生产—流转—进化”的动态生态。
广东电网企业通过研究用户运营激发知识活力的本质，根据企业知识管理建设现状从3个核心需求出发，明确用户运营具体工作。
（1）知识鉴别与需求分析。结合公司业务体系和知识体系，制定知识地图构建规则，收集需求并推动绘制公司知识地图，可视化呈现知识结构、来源及脉络。开展知识资源盘点，结合知识使用场景和业务流程，梳理知识需求，界定知识缺口，识别关键知识点。
（2）用户激励与积分体系运营。制定以用户积分体系为主体的激励方案，将知识贡献、分享、应用纳入其中，定期组织开展积分推广、积分兑换等活动，提升用户活跃度与体验。设计知识客户服务工作体系，制定咨询、问题处理、需求受理等闭环管理机制与流程，处理用户咨询、报障、投诉建议、权限申请及各类需求。
（3）知识交流与社区运营。建立定期知识交流机制，依托公司级知识共享活动，如案例分享、技能培训、专家讲座等，促进隐性知识共享；依托知识管理平台，借助领域知识库、智能推荐、知识问答等促进知识跨部门、跨领域流动。制定并优化知识社区运营策略，开设多维度话题专区，推动全员参与，提升社区活跃度与内容质量。

3.3.4 以平台运营支撑知识流转

知识管理系统的运营和优化是知识管理系统持续发展和提高效率的关键[15]。广东电网企业级知识共享平台系统已经开发上线，实现对公司知识的有效采集、统一存储、安全共享及基础应用。实现一套知识服务，满足多种业务场景需求，促进知识在各业务环节的沉淀、共享、协同和实时传递，实现员工、知识、业务快速连接。为确保系统的稳定性和安全性，同时保障知识的有效性，广东电网公司利用人工智能技术持续开展平台运营工作，借此提高知识管理系统的效率和价值。
（1）持续优化平台流程与功能。知识管理运营团队负责优化知识管理流程，结合平台用户运营、内容运营和数据运营情况，对知识创建、审核、发布、更新和归档等环节进行优化梳理，在安全、合规的前提下，利用人工智能大模型技术简化用户操作，以提高知识管理的效率和响应速度。在知识采集环节，持续推动业务系统与知识管理平台接入，利用技术手段简化知识上传、审批等操作流程；在知识使用环节，持续推动向业务系统推送知识文档，建立知识专题，丰富知识使用场景。
（2）做好数据监测分析与应用。知识管理运营团队负责监控、分析知识管理平台的关键运营指标：平台使用方面包括日常访问量、访问时长、访问时间等；平台运营方面包括活动效果、用户积分获取等；内容管理方面包括知识上传、下载、查看量，场景应用和智能化工具应用情况。根据数据报告的分析结果，形成动态更新的运营数据分析报告，调整和优化运营策略，提升平台效能和用户满意度。
（3）探索应用场景建设运营模式。知识管理运营团队持续开展大模型赋能企业知识管理建设的落地案例研究，并结合公司内部业务场景，按期提出平台应用场景建设方案，推动知识管理平台与业务深度融合，打造覆盖电网规划、设备运维、客户服务等全业务的知识服务体系。

3.3.5 以运营保障机制督促管理过程有序开展

运营保障机制是确保企业知识管理在日常运营中保持稳定性、高效性和可持续性的重要依据，广东电网公司为践行全员参与、业知融合、场景牵引、平台赋能的运营策略，实现知识显性化、运营常态化、知识价值化的工作目标，特制定资源保障机制、沟通协调机制、考核评价机制为企业知识管理建设保驾护航。
（1）资源保障机制。遵循全员参与、共创共用的原则，各部门、各单位需协调人员、系统平台、培训活动等资源，积极开展本专业域、本单位知识管理运营，确保工作顺利开展。
（2）沟通协调机制。建立定期沟通协调机制，编制知识管理运营工作月报，对月度运营情况、存在问题等进行专项汇报；调研对接各部门、各单位，发现运营工作的共性难点、痛点，提出有针对性的改进措施。
（3）考核评价机制。建立知识管理运营评价体系，以科学量化的评价反映运营情况。将知识管理运营评价结果纳入知识管理考核评价中，突出知识管理活动运营成效，激励全员积极参与知识管理运营工作。

4 大模型赋能知识管理运营场景/Large language models enabling knowledge management operation scenarios

实施知识管理是一项复杂的系统工程，对于一个由众多业务活动构成的企业生产经营系统来说，在整个企业范围内对所有业务环节实施知识管理不仅投资大、任务艰巨，伴随着极大的风险和阻力，而且面面俱到容易使知识管理流于形式，知识反而不能对具体的业务活动起到支撑作用，这往往导致知识管理项目的低效或失败[16]。因此，广东电网公司依托知识管理运营框架，聚焦公司核心业务，有序开展运营机制落地实施工作。
遵循场景牵引的建设原则，在场景选择上，广东电网公司基于大模型应用的前提要求与条件，重点聚焦数字化基础好、隐性知识丰富等业务场景，开展大模型赋能知识管理运营场景建设工作。通过挖掘核心业务知识管理应用场景，小范围验证运营方案可行性，控制试错成本，降低全面推行风险；同时总结选取场景的实施过程，打磨操作流程，形成运营机制实施的标准化流程，最终实现重点突破带动全面实施，从而推动知识管理变革，促进知识流动和应用。

4.1 大模型赋能用户运营——智能问答与知识检索

在传统的企业知识检索体系中，关键词匹配长期作为主流技术路线，其核心机制基于字符串匹配与词项共现。然而，该机制在实际应用中存在明显局限性。首先，由于缺乏语义表示与意图识别能力，系统对于语言表达的多样性与模糊性敏感度较低，检索的召回率和准确率易受限制。其次，该类系统通常只能返回与关键词相关的文档，而无法对复杂问题进行跨文档信息整合，难以满足业务场景中对综合性知识的需求。此外，用户往往需要在大量检索结果中进行人工筛选与判断，使得知识利用效率相对较低。
随着预训练大模型的发展，智能问答与语义检索技术展现出显著优势。大模型通过大规模语义表示学习与上下文推理能力，能够对用户问题进行深层语义解析。例如，当用户提出“如何提高某区域电网在夏季高峰时段的供电稳定性”这一复合型问题时，大模型不仅能够识别其中的关键实体，如“电网”“高峰负荷”“供电稳定性”，还能够理解其隐含的业务意图，即优化负荷管理、强化设备运维与提升可再生能源并网调控能力等方面的综合诉求。在此基础上，大模型能够结合知识图谱、业务规程、历史案例库等多源知识进行语义关联、路径推理与知识生成，从而实现对复杂问题的结构化和完整回答。
从企业实践层面来看，大模型在知识检索效率与知识服务质量方面均得到显著提升。以广东电网公司的相关应用为例，在传统关键词检索模式下，员工在查找故障处理知识时平均需消耗5—10分钟，且检索到的文档往往缺乏系统性与可操作性。引入大模型驱动的智能问答系统后，检索过程从“关键词匹配”升级为“语义识别—知识关联—推理生成”的链式机制，系统可在1—2分钟内生成包含故障成因分析、排查路径、相关制度条款与历史案例的综合性回答。内部评估结果显示，有效检索时间缩短60%以上，答案的完整性与可用性均显著提升，有效增强了一线人员的知识获取与问题处理能力。

4.2 大模型赋能内容运营——智能报告生成

在电力企业的日常生产与管理活动中，报告撰写是较为核心且高频的知识性工作，包括电网运行报告、设备检修报告、项目可研与分析报告等。这类报告通常涉及大规模运行数据，如电压、电流、负荷、潮流等高度结构化的专业术语体系，以及对运行状态、风险点和优化措施的系统分析。因此，该类工作普遍存在信息采集链条长、数据处理复杂度高、文字撰写耗时等问题。以电网运行报告为例，编制过程不仅要求对实时运行数据进行筛选、对比与趋势分析，还需结合设备状态、运行异常事件、负荷预测等内容进行综合研判，并在此基础上提出针对性的运行优化建议，整体工作对专业能力、知识密度与时间成本均具有较高要求。
预训练大模型在文本生成、知识抽取与数据分析方面的综合能力，为电网企业提升报告编制效率与质量提供了新的技术路径。在生成电网类报告时，大模型通常遵循“意图识别—结构构建—数据解析—内容生成”四阶段流程。首先，模型基于用户输入（如报表周期、区域范围、设备类别等）对报告意图进行准确识别，并自动构建符合行业规范的报告结构。其次，模型可从企业运行数据库、调度数据平台、设备档案系统等多源知识库中调取相关数据，实现对历史同期数据、关键设备参数和运行事件记录的自动整合。进一步地，模型利用统计分析和模式识别能力，对运行趋势、异常波动、设备健康状态等关键内容进行分析，并将分析结果映射到报告各章节中。最终，借助其行业语料学习能力，大模型能够以规范、专业且逻辑严谨的语言生成符合电力行业报告体系的文本内容，并自动嵌入技术术语、指标解释及相应的分析结论，提高报告的专业度与可读性。
从实践层面来看，大模型在电网报告自动化生成中的应用已展现出明显的效能提升。以某省级电网公司为例，在设备检修报告场景中引入大模型后，报告编制的平均耗时由传统人工方式的2—3小时缩短至30—60分钟，整体效率提升50%—75%。同时，内部评估结果显示，大模型生成的报告在数据完整性、分析逻辑性以及专业表达规范性方面均显著优于人工撰写的初稿，减少了多轮校对修订的需求，有效提升了检修计划制定、风险预判和工作闭环管理的质量。

4.3 大模型赋能平台运营——故障预测与诊断

电网设备作为电力系统的关键物理基础，其运行状态直接关系到电网的安全性、可靠性与稳定性。传统的设备故障预测与诊断主要依赖运维人员经验以及基于单一特征指标的简单统计分析方法。典型手段包括定期巡检、外观检查、运行声音辨识，以及对温度、振动、电流等关键参数的阈值判断。然而，这些方法普遍存在三个方面不足。
（1）经验依赖度高。诊断精度在很大程度上取决于人员经验，难以形成统一、可复用的知识体系。
（2）对潜伏性故障识别能力弱。许多设备故障在早期呈现微弱特征，传统模型难以捕捉多变量间的弱相关特征。
（3）响应滞后。多数诊断行为发生在异常已经明显出现之后，预测性维护能力不足，难以满足现代电网的高可靠性要求。
在此背景下，基于预训练大模型的智能故障预测与诊断方法为电网状态监测提供了新路径。大模型能够在大规模历史运行数据、故障记录及领域知识图谱的基础上，通过深度学习捕捉设备运行工况与故障模式之间的高维关联关系，从而构建具备泛化能力的预测性模型。在设备预测性维护场景中，大模型通过实时监测油温、绕组温度、油中溶解气体（dissolved gas analysis，DGA）、振动谱等多维数据流，结合历史故障标签及知识图谱中关于变压器、开关柜、输电线路等设备的失效机理，实现对故障发生时间、类型及风险等级的预测。例如，在变压器场景中，大模型能够识别温度越限与气体异常背后的耦合关系，从而提前判断潜在的绝缘老化、局部放电或过热故障。
在故障诊断环节，大模型在故障发生后能够快速对故障特征进行抽取与匹配，通过融合保护动作信息、故障录波数据、继电保护配置、负荷切换情况等多源数据，实现快速定位与分类。与传统基于规则的专家系统相比，大模型能够同时利用知识图谱中的因果链条（如“接地短路—过电流—保护动作模式”）、典型故障案例库以及数据驱动的模式识别能力，提高诊断的精度与解释性。例如，在输电线路跳闸场景中，大模型可依据距离保护动作区段、相别信息、电流突变量特征等识别短路类型，并生成包含故障区段推断、现场排查路径与抢修措施的综合性处理建议。
从实际应用效果来看，大模型驱动的故障预测与诊断能力能够显著提升电网运维的主动性与响应速度。已有电网企业的试点实践表明，通过基于大模型的预测性维护策略，可使部分关键设备的故障提前预警率提升30%—50%，设备计划检修的准确性明显增强，有效降低由突发故障导致的非计划停电时间。同时，在故障处理场景中，大模型辅助诊断可缩短故障原因定位时间20%—40%，提升检修人员的决策效率，显著降低故障对电网运行带来的潜在经济损失与安全风险。

4.4 大模型赋能活动运营——员工智能培训

作为典型的基础性与网络型行业，电网企业在保障能源供给安全和支撑社会经济运行方面具有关键地位。其业务链条横跨电力生产、输电、变电、配电、调度、检修、营销等多个环节，呈现技术密集度高、业务流程复杂、风险等级高等特点。因此，对员工专业技能的培养与知识传递提出了严苛要求。然而，传统培训模式仍以集中授课、统一教材和书面考核为主，侧重知识灌输而忽略知识体系化建设、学习路径优化与知识应用场景的匹配度，导致学习成本高、培训周期长、知识更新滞后等问题。在涉及操作规范、设备维护、故障处理流程、应急响应等高专业度内容的培训场景中，员工往往面临资料碎片化、内容冗长且难以关联实际工作的困境，难以形成高效、可持续的知识吸收与迁移。
预训练大模型的引入为电网企业构建高效、动态、智能化的培训体系提供了新的技术支撑。大模型能够对企业内部积累的大规模异构知识资源进行统一抽取、结构化加工与语义关联，包括文档、图纸、流程规范、培训教材、录播课程、操作视频等，实现企业级知识的深度沉淀。依托知识图谱构建和持续更新机制，大模型能够自动识别知识间依赖关系与更新节点，确保培训内容在结构性、一致性与时效性方面均可满足业务需求。此外，模型的深度推理能力可支持从操作规程到故障案例的因果链条建模，为培训提供更贴近生产实践的知识体系。
在广东电网公司现有知识管理平台基础上，大模型进一步实现了培训内容的自动生成与智能调优。一方面，模型可根据培训目标、岗位能力要求与课程范围自动提炼知识点、生成内容摘要，并按照认知难度与业务逻辑进行知识组织；另一方面，大模型能够自动生成多类型、场景化的考核题目，如操作情境题、案例推理题、设备知识匹配题等，有效提高考核的针对性与有效性。在学习支持方面，通过智能问答功能，员工能够在培训与实际工作过程中即时获取与岗位任务匹配的知识，显著降低知识检索成本，提高问题解决效率。
值得注意的是，通过问答日志、错误答案分布、知识调用频次等交互数据，大模型还可反向促进知识库的动态更新，实现“培训—应用—反馈—再更新”的闭环机制。这种基于大模型的知识流动方式不仅提高了知识的可得性与可用性，也强化了企业知识资产的生命周期管理能力。

5 大模型赋能企业知识管理运营的启示/Insights from large language models enabling enterprise knowledge management operations

依托大模型技术开展广东电网公司知识管理运营机制构建，有效推进了公司知识显性化、运营常态化、知识价值化战略目标的实现。

5.1 大模型助力企业打破隐性知识与显性知识的壁垒

大模型能与拥有隐性知识的专家进行自然语言形式的深度、多轮交流。一位资深电网工程师可以用口语化的方式描述他解决复杂故障的思路，大模型可以将这些碎片化、非结构化的描述，整理成结构化的诊断流程、知识图谱甚至标准作业程序（standard operating procedure，SOP）[17]。
除了成为专家的“金牌助手”，大模型还能提炼海量行为数据中的最佳实践范式。例如，分析高级服务专员与客户的沟通记录，对这些由隐性知识驱动产生的行为结果进行模式识别和归纳，提炼出一套服务规范。

5.2 大模型成为企业知识管理常态化运营的必要工具

大模型为企业知识管理提供了从“被动存储”到“主动赋能”的转型契机。围绕知识鉴别、创造、获取、存储、共享、应用的全流程，大模型具备的自然语言理解、知识推理、内容生成等能力，帮助企业重构了知识管理运营体系。
通过自动处理非结构化数据，企业知识整合效率得到了提升；通过语义检索、智能问答，员工可以快速获取所需知识，助力企业知识应用智能化；基于历史知识生成解决方案、智能报告，可以帮助企业科学决策、业务创新。

5.3 大模型促进企业知识价值化

大模型具有强大的知识理解和应用能力，能够深入挖掘数据中的潜在知识。通过对海量文本数据的学习和分析，大模型可以发现隐藏在数据中的模式、关系和趋势，帮助企业从复杂的数据中提取有价值的信息，将原本难以利用的知识转化为可理解和可应用的形式，从而提升知识的价值。

6 大模型赋能知识管理运营的挑战与风险/Challenges and risks of large language models in knowledge management operations

尽管大模型在智能问答、报告生成、故障诊断、智能培训等场景中显著提升了知识服务效率与质量，但在电网企业这一强安全、强合规、强专业的环境下，大模型应用往往伴随一系列技术、管理与治理风险。若缺少体系化防控，相关能力可能从“赋能工具”演变为“新的运营与安全负担”，影响知识管理的可信性与可持续性。

6.1 数据安全与合规风险

电网企业知识资产涵盖运行数据、设备缺陷、调度策略、应急预案、人员权限等敏感信息。大模型在训练、检索增强（RAG）、日志留存、提示词与上下文传递过程中，可能引入数据泄露、越权访问、跨域调用不合规等风险。同时，数据出境、个人信息保护、重要数据与核心数据分级分类要求，都会对模型部署方式与数据链路提出更高的要求。

6.2 可信性与“幻觉”风险

大模型具备生成能力但不天然具备“事实保证”。在规程解释、故障处置建议、检修策略生成等高风险任务中，若模型产生不准确或不可验证的内容，可能导致错误决策被放大。尤其在跨文档综合回答时，若缺少证据引用与可追溯机制，业务人员难以及时识别错误来源。

6.3 专业一致性与标准偏离风险

电力行业知识高度依赖标准体系（如规程、导则、作业指导书、“两票三制”等）。模型若使用过期版本、不同区域标准差异未被识别，或在生成报告与SOP时“自动补全”超出制度边界的做法，容易形成隐性合规风险，造成“看似专业、实则不符合规范”的输出。

6.4 可解释性与责任界定风险

设备故障预测与诊断、风险预警等场景需要“可解释、可复盘、可审计”。大模型输出若缺少证据链、推理路径与数据依据，难以满足事后复盘、事故调查与审计要求。与此同时，“模型建议”与“人工决策”之间的责任边界若不清晰，容易产生管理争议与执行风险。

6.5 运营依赖与能力退化风险

若智能问答、自动报告、智能培训被过度依赖，可能导致人员对规程熟悉度、故障分析能力与写作研判能力下降，形成“工具在、能力不在”的隐性风险；一旦模型不可用或输出异常，将对一线工作连续性造成冲击。

6.6 风险治理与落地建议

为在提升知识价值的同时控制风险，电网企业宜同步构建“大模型+知识管理”的治理体系，具体包括：建立分级分类与最小权限机制，对知识与数据分级分类，实施最小权限、全链路加密与可审计访问控制；敏感场景优先本地化或专有化部署。形成可信输出机制，对关键场景启用“来源引用+证据链+置信度/适用范围提示”，建立强制复核与双人审批机制。统一标准与版本治理，统一规程与制度的“单一事实源”，建立版本控制、有效期管理与自动更新校验机制，避免过期知识被调用。同步建设人机协同能力，明确“模型建议—人工决策”边界，将模型纳入培训与考核体系，防止能力退化，确保关键岗位具备独立研判能力。

7 结语/Conclusion

综上，本文面向电网企业“知识密集、业务链条长、专业协同强”的管理特征，梳理并总结广东电网公司知识管理运营实践，构建了以场景牵引、机制闭环、数据与知识协同治理为核心的知识管理运营框架，并进一步从“人、流程、平台、生态”维度阐释组织、制度、内容与技术的协同关系。在此基础上，本文分析了大模型与RAG等技术在知识采集、萃取、分发与应用环节的赋能路径，同时识别了数据安全、幻觉与可解释性、知识质量控制、组织变革与能力建设等关键风险，并提出面向治理、技术与运营的一体化应对思路。未来可围绕知识资产价值度量体系、跨部门复用效果评估、智能体编排与业务系统深度融合以及可信与合规的持续迭代机制开展深化研究与验证，以支撑电网企业知识能力体系的长期演进与规模化落地。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
WIIG K M. Knowledge management foundations: thinking about thinking-how people and organizations represent, create and use knowledge[M]. Arlington: Schema Press, 1994.

[2]
DAVENPORT T H, PRUSAK L. Working knowledge: how organizations manage what they know[M]. Boston: Harvard Business Press, 1998.

[3]
DRUCKER P F. Post-capitalist society[M]. New York: Routledge, 1993.

[4]
何秋雨, 张月贤, 王娟, 等. 企业实施知识管理的风险及应对措施[J].企业改革与管理, 2020(3): 39-40.

HE Q Y, ZHANG Y X, WANG J, et al. Risks and countermeasures in enterprise knowledge management implementation[J]. Enterprise reform and management, 2020(3): 39-40.

[5]
中国电力技术市场协会. T/CET 001-2021 电力行业知识管理 第1部分: 导则 [S].

China Electricity Technology Market Association. T/CET 001-2021 Knowledge management of electric power industry —Part 1: Guideline [S].

[6]
贾倩, 王彦静, 杜俊鹏, 等.中国运载火箭技术研究院知识管理运营实践[J].航天工业管理, 2018(4): 4-9.

JIA Q, WANG Y J, DU J P, et al. Knowledge management operation practice of China Academy of Launch Vehicle Technology[J]. Aerospace industry management, 2018(4): 4-9.

[7]
柳淑婷, 韩紫怡. 数字化转型赋能企业知识管理的路径与策略[J].中国市场, 2025(10): 67-70.

LIU S T, HAN Z Y. Paths and strategies for empowering enterprise knowledge management through digital transformation[J]. China market, 2025(10): 67-70.

[8]
周湘智.人工智能对智库研究运营的影响与适应性转换[J].智库理论与实践, 2025, 10(4): 36-41.

ZHOU X Z. The impact of artificial intelligence on think tank research operations and adaptive transformation[J]. Think tank: theory practice, 2025, 10(4): 36-41.

[9]
董冠军, 乌日娜, 刘萍萍, 等. 基于数字化技术的企业知识管理变革及对策研究[J].企业改革与管理, 2025(18): 34-36.

DONG G J, WU R N, LIU P P, et al. Research on the reform and countermeasures of enterprise knowledge management based on digital technologies[J]. Enterprise reform and management, 2025(18): 34-36.

[10]
叶鹰, 叶永鑫, 赵星. AI-GPT技术及其应用生态下实现全面知识管理引论[J].中国图书馆学报, 2024, 50(6): 34-44.

YE Y, YE Y X, ZHAO X. An essay on realizing overall knowledge management through AI-GPT technology and its applications[J]. Journal of library science in China, 2024, 50(6): 34-44.

[11]
张宇, 王玉梁. 大模型在知识管理中的应用与挑战[J].知识管理论坛, 2024(3): 227-236.

ZHANG Y, WANG Y L. Applications and challenges of large models in knowledge management[J]. Knowledge management forum, 2024(3): 227-236.

[12]
吴庆海. ChatGPT将对知识管理界带来怎样的影响？[J].知识管理论坛, 2023(4): 273-277.

WU Q H. What impact will ChatGPT have on the knowledge management?[J]. Knowledge management forum, 2023(4): 273-277.

[13]
中国核能行业协会.中国核电首个AI大模型知识管理平台诞生[EB/OL].[2026-05-10].

China Nuclear Energy Association. The birth of China nuclear power's first AI large model knowledge management platform[EB/OL].[2026-05-10].

[14]
电气应用. DeepSeek如何评价电力大模型？[2026-05-10].

application Electrotechnical. How does DeepSeek evaluate the power industry large model?[2026-05-10].

[15]
陈磊. 知识密集型企业知识管理系统的构建[J].上海电气技术, 2023, 16(2): 65-67, 103.

CHEN L. Construction of knowledge management system for knowledge intensive enterprise[J]. Journal of Shanghai electric technology, 2023, 16(2): 65-67, 103.

[16]
司强, 庄文君, 朱晓静.基于流程的企业核心知识管理方法[J].华东经济管理, 2009, 23(1): 91-96.

SI Q, ZHUANG W J, ZHU X J. Process-based method of enterprises' core-knowledge management[J]. East China economic management, 2009, 23(1): 91-96.

[17]
TC引擎.从隐性知识到显性知识: 生成式AI如何侵蚀行业Know-How无形壁垒？[EB/OL].[2026-05-10].

ENGINE TC. From tacit knowledge to explicit knowledge: how does generative AI erode the intangible barriers of industry know-how?[EB/OL].[2026-05-10].

Options
文章导航

/

〈 〉