近日，陕西师范大学张光伟教授和团队提出了 AI 在专业领域演化的一个全新的范式：知识协议工程（Knowledge Protocol Engineering, KPE）。他们对当前大模型为代表的 AI 能力发展与演进进行了总结和展望，提出了 AI 能力演化“三曲线”的观点。第一条曲线是算力驱动，第二条曲线是事实驱动——也就是目前主流的 RAG。但研究团队认为，将来 AI 真正的突破可能在于第三条曲线：方法论驱动。

（http://his.snnu.edu.cn/info/1016/2211.htm）

KPE 可能会在开启第三条曲线过程中扮演重要的角色。它的思想非常直接：他们将人类专家的“隐性知识”和“工作流程”——比如一个大型数据库的《用户指南》或一个行业的《标准作业程序（SOP）》——系统性地设计成一份 AI 可以理解并严格执行的“知识协议”。

研究团队在实验中发现，当一个通用的大模型在 KPE 的指导下工作时，它的行为发生了质变。它不再是进行概率性的猜测，而是像一个训练有素的专家一样，进行结构化的、有步骤的逻辑推理。它的每一步行动，都源自于协议的指导，这使得它的整个决策过程变得透明、可解释且高度可靠。

所以，他们认为：通过将人类专家的“程序性知识”（Procedural Knowledge）协议化，研究团队可以有效地引导通用 AI，使其在一个特定领域内，表现出专业、可信赖的智能。

据介绍，Knowledge Protocol Engineering（KPE）研究的起点，源于他们在开发史料分析专用的 AI 智能体（Agentic AI）时遇到的一系列难以解决的难题。

研究团队尝试了当前最主流的技术，比如 RAG（检索增强生成）以及 Agentic RAG，来构建能帮助历史学家分析文献、处理数据的 AI 助手。但他们反复遇到三个主要的问题：（1）结果不稳定：AI Agent 的表现像“开盲盒”，有时很惊艳，有时却犯一些低级错误，这种表现很难在严谨的学术研究中被信赖。（2）效率不够高：Agent 完成一个复杂的分析任务，需要进行多轮的内部思考和工具调用，导致响应时间特别长。（3）成本高昂：每一次思考和调用，都会消耗大量的 Tokens，对于需要进行大规模、探索性研究的学者来说，成本难以承受。

研究团队意识到，问题的根源在于他们只是在给 AI 提供“事实”（通过 RAG），或者给它一套“通用工具”（通过 Agent），但研究团队从未系统性地教它一位历史学家是如何思考和工作的。所以，他们需要解决的核心问题是：如何超越简单的“事实投喂”和“工具授权”，将一个领域的“研究方法论”本身，注入给 AI，从而让它的行为变得可靠、高效、且符合专业规范？

KPE 的应用前景非常广阔，研究团队认为大致可以分为三个层次：

近期：赋能学术研究: 他们正在将 KPE 的方法论应用于更多的数字人文研究，如明清档案、地方志等，为学者提供更强大的数据探索工具。中期： 赋能高度监管行业: 在金融风控、保险理赔、法律文书分析等领域，KPE 将发挥巨大价值。因为在这些行业，决策的可靠性和可解释性至关重要。一个遵循“知识协议”的 AI，其每一步判断都有据可查，这解决了 AI 在这些高风险领域应用的核心信任问题。远期：个性化知识助理的基石: KPE 为在不同领域快速定制化 AI 助理提供了可能，因为它提供了一种轻量级的、非训练、迭代式的“赋能”AI 的方式。未来，学者、医生、工程师都有可能拥有一个注入了自己专业工作流程的 AI 助手。

研究中，研究团队在试图构建史料智能分析 Agent 时曾遭遇了反复失败。他们给了它所有研究团队能想到的工具——网络搜索、文档检索、代码执行。但它的表现非常不稳定，像一个有无穷精力的实习生，东奔西跑，却总是抓不住要点。

有一次，他们让它分析一个比较复杂的中国古代史研究问题。它花了很多时间和大量 Tokens，从资料库中检索了大量相关的知识，但最终给出的结论却犯了一个历史学入门者都不会犯的常识性错误。

那一刻研究团队似乎顿悟了：他们给了 AI“自由”，但研究团队没有给它“纪律”和“方法”。他们意识到，在 AI 能够真正像人类专家一样进行创造性思考之前，研究团队首先需要教会它遵守领域内的“游戏规则”。这个“规则”，就是研究团队后来提炼出的“知识协议”。这次失败让他们明白，对于 AI 在专业领域的应用，约束可能比自由更重要，严谨的方法论可能比海量的信息更可贵。

本次论文目前是以预印本形式发布的，所以还没有收到正式的学术审稿意见；研究团队正在不断的完善 KPE 的关键架构，并在多个应用场景中进行测试，相关的研究论文、案例将陆续发表。但他们的预印论文已经在产业界得到了一些出乎意料的共鸣。例如，凯捷（Capgemini）的全球 AI 负责人 Pradeep Sanyal 先生，在他对研究团队预印本的公开评论中写道：“大语言模型不需要更多的事实，它们需要更好的协议。大多数企业 AI 战略都停留在第二曲线，但这并不能让模型像专家一样思考。”他认为，本次论文所提出的“第三曲线”，即方法论增强，是关键的突破方向。当看到研究团队作为一个学术团队提出的理论框架，能够与全球顶尖企业 AI 战略家的实践观察不谋而合时，这给了他们极大的信心和鼓舞。

图 | 相关论文（https://arxiv.org/pdf/2507.02760）

在后续计划上，研究团队将主要围绕 KPE 这个框架本身以及行业应用展开，其认为它应该有巨大的探索空间：

第一，深化协议工程的方法论。研究团队正在撰写更详细的指南，探讨如何为不同类型的知识领域——比如有些是规则驱动的，有些是案例驱动的——构建最高效的知识协议。他们希望 KPE 能成为一种更成熟的、系统的解决方案。

第二，拓展 KPE 的应用领域。研究团队正在积极探索将 KPE 应用于其他知识密集型领域，比如法律文本和中医典籍的分析。他们的目标是验证 KPE 作为一个通用方法论的有效性和扩展性。

第三，构建开源的知识协议库。研究团队希望建立一个开放的社区，邀请各个领域的专家参与进来，共同为他们的领域撰写和完善“知识协议”。他们设想未来能有一个像 GitHub 一样的平台，但它托管的不是代码，而是各个领域的、可被 AI 执行的“人类智慧协议”。

目前张光伟主要专注于学术研究。张光伟认为 KPE 是一个值得深入挖掘的富矿，研究团队对 KPE 的产业化前景持非常开放的态度，相信它在企业知识管理、合规和自动化决策等领域有巨大的应用潜力。张光伟还表示：“补充一下我最近在观察 AI 相关业界讨论 KPE 时最深的感触。无论是 Pradeep Sanyal 认可研究团队在 KPE 中所提出的‘第三曲线’，还是 Luis Dieguez 的认为 KPE 是‘咨询业的下一个前沿’，亦或是 Cedric Anne 的‘从 Know-How 到 Know-Flow’，这些围绕 KPE 展开的讨论都指向了一个共同的未来：AI 时代，最稀缺的资源，可能不再是数据或算力，而是高质量的、可执行的‘方法论’。”

过去，研究团队将人类专家的智慧写在书里、锁在报告里。现在，KPE 提供了一种全新的可能性——将这些智慧转化为一种“思想软件”（Thought-ware），一种可以被 AI 大规模执行、可以不断迭代、可以与世界实时互动的“活的知识”。

因此，张光伟认为这次技术浪潮对研究团队每个人最大的挑战和机遇是：研究团队是否能成为自己领域知识的“协议工程师”？因为未来可能不属于仅仅会使用 AI 的人，而属于那些能够定义和塑造 AI 如何思考的人。这正是研究团队提出 KPE 所希望开启的对话。

参考资料：

https://arxiv.org/pdf/2507.02760

http://his.snnu.edu.cn/info/1016/2211.htm

运营/排版：何晨龙