vivo 發表 KDC 知識工程理論：區分表示與知識，指出 RAG 檢索片段需經驗證才能作為知識

vivo 肖博與 GPT-5.5 協作發表「知識驅動計算（KDC）」AI 應用軟體工程理論，探討 RAG（檢索增強生成）系統中的知識表示與驗證機制。文章指出，企業 AI 系統常將「尋找材料」與「獲取知識」混淆，例如 RAG 系統可能因語義匹配度高而召回已過期的舊版退款政策，導致模型生成錯誤回答。 KDC 理論區分了「表示（Representation）」與「知識（Knowledge）」：PDF、資料庫紀錄、Embedding 向量與 RAG 檢索片段僅為現實的數位表示，無法自動證明其真實性、有效性或適用性。知識則被明確定義為「已驗證、可復用，並能降低預測、推理、決策或行動不確定性的認知成果」。 該理論引入「知識成熟度（Knowledge Maturity）」，將內容劃分為假設（Hypothesis）、候選知識（Candidate Knowledge）、已驗證知識（Verified Knowledge）與權威知識（Canonical Knowledge）四個階段，不同成熟度將觸發不同的系統行為與風險控制。 在工程實作上，KDC 要求將內容封裝為「知識物件（Knowledge Object）」，必須包含身分、來源、語義、上下文、證據、版本、成熟度、衝突狀態、生命週期與權限等屬性。KDC 將 RAG 定位為知識流的局部機制，僅負責材料召回與上下文裝配，需與版本關係、有效期限、衝突處理及適用範圍過濾等機制協同，而非獨自承擔完整的知識生命週期。