YC点名的「公司脑」背后：企业AI落地真正缺的不是模型，而是组织记忆

当大模型的能力越来越强，企业却发现AI落地依然困难重重。YC在最新的创业方向指引中指出了一个关键问题：AI自动化公司面临的最大瓶颈，已经从模型能力转向了领域知识（domain knowledge）的缺失。通俗来说，就是模型越来越会干活，但它不知道你公司到底怎么干活。

概述

YC提出的「公司脑」（Company Brain）概念，本质上是在回答一个问题：企业到底要把什么交给AI，才能让它从「会回答」变成「会做事」？以客服退款为例，光找到退款政策远远不够——系统还需要知道哪类客户可以直接退，哪类订单必须先问销售，哪类异常要同步财务，哪些话术不能对外说，什么情况下要升级给负责人。这些知识过去靠老员工口口相传，新人问前辈、前辈翻聊天记录、实在不行开个会。但AI进来以后，这套方式暴露出一个现实短板：如果一件事必须靠「某个人记得」，Agent就没有办法稳定接手。AI不怕流程复杂，怕流程只存在于人情世故里。

从「会回答」到「会做事」的距离

很多企业一听「公司脑」，第一反应是知识库升级——把飞书、企业微信、Notion、工单、CRM、客服记录都接进来，再套一个RAG检索。这当然有用，但还不够。YC对Company Brain的表述里有一个关键动作：把分散知识抽出来、结构化、保持更新，再转成AI可以执行的skills文件。这个skills的概念很关键——它关心的不只是资料能不能被搜到，更是AI能不能知道这家公司处理事情的方式。一个公司脑如果只负责存资料，它最多改善问答效率。但如果能把公司处理事情的方式写成skill，Agent才开始接近「可交付」。

公司脑不只是知识库升级

在GBrain的实践中，我们看到一套工程化的解决思路。它的检索架构没有只靠向量相似度，而是叠加了vector、BM25、RRF、knowledge graph traversal和reranker等多层技术。官方评测显示，在BrainBench上P@5达到49.1%、R@5达到97.9%，图谱和抽取质量带来了约31个P@5点的提升。这些数字背后有一个更朴素的事实：企业知识先是一张关系网，然后才是一堆段落。人、客户、项目、合同、事故、决策、承诺、例外，都有关系。Agent要做事，必须知道这些关系。否则它就像一个会背政策的新人——嘴很快，手不稳。

知识先是一张关系网，然后才是一堆段落

「Thin Harness, Fat Skills」这个方法论给出了另一个拆解思路：Harness是跑模型的外壳——工具、上下文、文件读写、安全边界，要薄，不要把系统做成巨大的黑盒；Skills是可复用的工作程序——什么时候读什么资料，怎么判断，哪些步骤必须验证，哪些输出算合格，要厚，因为业务经验大多在这里。一个退款skill，背后是客服、财务、销售、合规的责任边界；一个事故响应skill，背后是工程、客户成功、市场、公关的协作顺序；一个价格例外skill，背后是利润、客户分层、权限审批和销售激励。所以Company Brain改变的不只是知识库本身，它会逼着组织把经验写成可复用的流程资产。

如有侵权，请联系删除。