需求驱动上下文：通过智能体失败构建企业知识库的方法论

大语言模型智能体展现出专家级推理能力，却持续在企业特有任务上失败，原因在于缺失领域知识——术语、操作规程、系统间相互依赖以及主要以部落知识（隐性经验）形式存在的机构决策。当前方法分为两类：自上而下的知识工程，即在智能体使用之前先文档化领域知识；以及自下而上的自动化，即智能体从任务经验中学习。两者都有根本局限：自上而下的努力产出臃肿且未经测试的知识库；自下而上的方法无法获取只存在于人脑中的知识。我们提出需求驱动上下文（DDC），一种以问题为先的方法论，将智能体的失败作为应该整理何种领域知识的首要信号。受测试驱动开发（Test-Driven Development）启发，DDC 颠倒了知识工程：不是先整理知识再指望它有用，而是给智能体真实问题，让它们主动索取所需上下文，并只整理成功所需的最小知识。我们描述了该方法论、其实体元模型，以及一个收敛假设：20-30 个问题循环即可产出对特定领域角色足够用的知识库。我们通过零售订单履约中的一个完整示例演示 DDC，其中针对 SRE 事件管理智能体的九个循环产出了包含 46 个实体的可复用知识库。最后，我们提出一种面向企业采纳的扩展架构，包含半自动化整理与人工治理。