得物技术近期对外分享 Akashic 知识工程落地实践,核心思路是打通研发过程里 AI 会话、代码提交、技术文档、源码注释,把工程师个人零散的研发经验自动提炼、规整,转化成结构化、可检索、AI 可调用的团队知识资产,解决传统团队知识管理里经验随人员流动流失、文档更新滞后、AI 会话经验无法沉淀复用的痛点。这套 Akashic 方案搭建三层知识架构,搭配多个智能 Agent 做采集、提炼、复核、回写,支持自动采集 Claude Code、Codex 这类编码会话记录,识别重复踩坑、知识缺口,自动归档审核后回流知识库,落地后明显减少研发人员重复踩坑、反复补充上下文的工作量,在模型工程场景实现单模型工程耗时大幅下降,模型线上指标稳定提升,为研发团队知识工程给出一套自动化落地路径。
一、Akashic 知识工程核心架构对照表
| 层级 | 名称 | 承载内容 | 作用说明 |
|---|---|---|---|
| L1 | 知识入口层 | 检索入口、问答入口、会话入口 | 研发人员、AI 代理快速查询知识,统一访问入口 |
| L2 | 知识能力层 | 技术文档、Skill 技能包、流程规范 | 结构化可直接调用,支持 AI Agent 直接加载使用 |
| L3 | 源码知识层 | 源码注释、提交记录、评审记录 | 贴近代码本身,把隐性经验嵌入代码资产 |
二、Akashic 核心模块清单
- Akashic CLI
- 会话采集模块
- 知识演进 Agent(Session Agent)
- 知识审核 Agent(Audit Agent)
- MR 回写机制
- 对话洞察模块
嵌入研发工作流,在代码初始化、提交 MR 时触发知识同步,打通代码仓库和知识库,不用人工手动上传文档。
自动采集编码 AI 的对话会话,记录问题、调试过程、方案、踩坑细节,不会漏掉隐性试错经验。
读取原始会话记录,提炼有效知识点,剔除无效闲聊,生成结构化知识初稿。
做初审校验,识别信息冲突、过时内容,再交给知识 Owner 人工终审。
审核通过的知识,以 MR 形式回写到代码仓库和知识库,实现知识闭环沉淀。
统计会话轮次、Token 消耗、高频问题,识别团队高频卡点、知识盲区,指导文档补全。
三、整套知识沉淀的执行流程
- 研发交互采集
- Agent 自动提炼初稿
- 双层校验审核
- 知识入库与回流
- 持续洞察迭代
工程师使用 AI 编码工具调试、排障、做方案讨论,会话数据自动被 Akashic 采集,不额外增加人工录入动作。
Session Agent 拆分会话,剥离无效内容,把试错过程、结论、约束条件整理成标准化知识条目。
Audit Agent 先做规则校验,之后交给对应领域负责人复核,过滤错误、过时信息。
审核完成,通过 MR 提交,同步更新三层知识库,后续不管是人还是 AI 代理,都可以检索调用。
对话洞察模块持续统计高频问题,输出知识缺口清单,团队针对性补充、更新、归档文档,知识库持续进化。
四、落地收益与现存局限
落地收益
- 隐性研发经验不再只存在工程师脑子里,人员交接、新人上手成本下降;
- AI 编码会话经验可以反复复用,同类问题不用重复调试、重复写提示词;
- 模型工程场景落地数据:单模型工程耗时减少 92%,累计线上模型指标提升 0.86%;
- 知识和代码仓库绑定,知识更新跟着代码变更同步,文档和代码脱节问题得到缓解。
现存局限
- 高度依赖 AI 提炼质量,复杂架构、跨模块方案容易提炼不全,必须保留人工审核环节;
- 对历史存量老旧会话、线下口头讨论内容无法自动采集,需要额外补充导入;
- 跨团队权限、知识版本管理、过时知识下线治理,还需要配套治理规范。
【常见问题】
问题 1:Akashic 知识工程实践,是怎么把研发经验变成团队知识的?
回答 1:Akashic 知识工程实践依靠 Akashic CLI、会话采集、多智能 Agent 提炼审核、MR 回写的闭环流程,自动采集 AI 编码会话,把零散研发经验提炼、校验,沉淀进三层知识库,转化为团队可复用知识。
问题 2:Akashic 知识工程实践里设计了哪三层知识库,分别存什么内容?
回答 2:Akashic 知识工程实践搭建 L1 知识入口、L2 文档与 Skill、L3 源码注释三层知识库,L1 负责检索问答入口,L2 存放结构化文档和 AI 技能,L3 把知识沉淀到源码侧。
问题 3:Akashic 知识工程实践,会自动采集哪些研发会话?
回答 3:Akashic 知识工程实践支持自动采集 Claude Code、Codex 的编码会话,抓取调试、方案讨论、排障过程,从中挖掘研发经验用于团队知识沉淀。
问题 4:Akashic 知识工程实践沉淀出来的团队知识,审核完成之后怎么回流?
回答 4:Akashic 知识工程实践里,经过 Audit Agent 和负责人审核通过的知识点,会走 MR 回写机制,同步回写到代码仓库和知识库,完成知识闭环。
【参考资料】
[2026-11-18](从研发经验到团队知识:Akashic 知识工程实践)得物技术
[2026-11-19](得物 Akashic 知识工程:AI 会话自动沉淀团队知识)InfoQ
[2026-11-19](Akashic 知识工程落地:模型工程提效实践)极客公园
[2026-11-19](Akashic:面向研发会话的团队知识沉淀方案)掘金技术社区
[2026-11-18](Akashic 三层知识架构与 Agent 工作流详解)Infinitum 技术快讯
【免责声明】
本文仅为得物 Akashic 知识工程实践技术文章的资讯科普,不构成知识系统采购、内部技术改造建议;Akashic 知识工程方案属于得物自研实践,适配研发、模型工程场景,不同团队研发流程、工具栈不一样,直接照搬效果存在差异;详细技术细节以得物技术官方博客原文为准。
