Airbnb CTO发现：知识库越大，AI越蠢

Project Everest：为AI agent造“公司大脑”

参与打造初代iPhone、带队做出Meta Llama的人，跑到Airbnb当了CTO，上任后干的大事说出来有点朴素：让AI读懂公司文档。

他叫Ahmad Al-Dahle。10月21日，他上了TWIML播客，公开了一个项目，叫Project Everest，给AI agent（能替人干活的AI助手）造一个“公司大脑”。

出发点，是每个职场人都见过的场面：老员工离职那天，群里热闹地送别。可新人攒了一肚子问题没人问了，这个系统为什么这么设计？这条规则该套哪条政策？哪些坑大家都知道、但从没写进文档？

这些东西从来没被写下来过，只在那个走了的人脑子里。

agent缺的不是能力，是老员工脑子里那点东西。新员工靠问老人学会，agent没人可问。

所以Airbnb的做法是：从员工真实工作流里自动捕获这些知识，而不是要求大家“再写一遍文档”。

三个反直觉发现

但节目里更值得聊的，是他们撞上的三个反直觉发现。

发现一｜捕获只是开始，让它一直有用更难

知识不是存进去就完事了。人在不断往里加，agent也在加，里面的东西会过期、会互相打架。

发现二｜一条过时规则，会“污染”整个库

主持人打了个比方：文档堆多了，“井水被毒化了”。Al-Dahle接得很实在：模型特别擅长找到那条过时的、错误的东西。

人碰到存疑的规则，会犯嘀咕“这条是不是早改了”。agent不嘀咕。它会当真，自信地执行，还给你一个看起来很专业的理由。

发现三｜喂给AI的资料越多，它反而越蠢

这条最反直觉。行业默认喂得越全越准。可Al-Dahle的原话是——

“你可能犯的最大错误，就是一次性给模型看太多资料。”

他的经验正相反：只给刚好够往前走一步的，需要时再要。塞20份文档，不如给3份当下正确的。

公司知识的三层结构

看完这三个坑，我发现它们指向的是同一件事。我习惯把公司知识拆成三层：

• 第一层是结论——制度、流程、FAQ。公司有，但没人看。
• 第二层是做法——一件事具体怎么操作。散在老员工手里。
• 第三层是判断依据——为什么这么做、什么情况下可以不这么做。只在老员工脑子里，几乎为零。

文档记的是结论，AI缺的是判断。

举个最常见的：公司规定“超过5万的合同走法务”。这是结论。老员工还知道一条例外：“老客户续约、条款没变，走快速通道就行”。这条例外从来没进制度，因为写进去太麻烦，而且“大家都懂”。

人一走，例外就没了。agent来了，只会死板执行“超5万走法务”，然后被业务部门骂不如人工。

AI时代知识管理的敌人，不是“遗忘”，是“过期”。遗忘是知识没了；过期是知识还在、但已经错了，而且AI会拿它当真。

“公司大脑”这个词其实有点危险。大脑会遗忘，会怀疑，自己就把没用的记忆清掉了。知识库只会累积。你造的不是大脑，是一个只进不出的仓库。

没有答案，但坑比成果有用

说句公道话，Al-Dahle自己承认还没有答案：知识用什么格式存、这套系统撑不撑得到全公司规模，他在节目里直说“不知道”。这是我头一回看到大厂CTO把AI落地讲得这么不体面：不讲成果，专讲坑。

但坑比成果有用。

企业自查三问

如果你所在的公司也在搞AI知识库，我建议先自查三个问题——

1. 我们的知识有没有“有效期”？规则变了，谁负责把它标废？
2. 给AI的资料，是筛选过的，还是全量丢进去的？
3. 我们拿什么指标证明它真的提效了？如果只有token用量和“生成了多少内容”，那等于没测。

对个人，就一件事：把你工作里的“为什么”留下来。为什么选这个方案、排除了哪些、什么情况下可以破例。这不是给公司写文档，是给自己的判断力留证据。

AI时代最不容易被替代的，恰恰是知道什么时候不该按规则来。