炖排骨的食谱上写得明明白白：排骨一斤，焯水，加葱姜、料酒，大火烧开，小火慢炖一小时。然而，实际操作中，小火究竟是多小？灶眼里的火苗应贴着锅底，还是离着一指？食谱虽说炖到酥烂脱骨筷子一戳便知，但戳下去的力道深浅，食谱上却无明确说明。
这，便是实际操作的技艺与经验。
Anthropic在2025年9月16日的经济指数报告中，也有一段话表达了类似观点：
The upshot is that deploying AI for complex tasks might be constrained more by access to information than on underlying model capabilities. Companies that can’t effectively gather and organize contextual data may struggle with sophisticated AI deployment, creating a potential bottleneck for broader enterprise adoption—particularly for occupations and in industries where tacit, diffuse knowledge is crucial to business operations.
该报告指出，企业中部署AI以处理复杂任务，其瓶颈可能不在于模型能力是否强大或智能，而在于能否提供充足且优质的信息输入，从而使AI“理解”任务。这一瓶颈尤其体现在那些依赖隐性知识维持业务运作的岗位和行业。
来自大公司或行业KOL的报告，其内容看似寻常，实则蕴含深刻洞见。结合近期观察，这一观点得到了印证。AI大模型尽管拥有百亿千亿参数，擅长点状答疑解惑，但一旦投入实际工作，表现往往不尽如人意。它们理解规则，却常缺乏“火候”。
这种“火候”，正是那些只可意会、难以言传的上下文信息（Context）。
何谓优质的AI“上下文”？
那些存储于OA系统、邮件、审批流程等各类数据库中的零碎信息，条条框框清晰，但这不属于优质上下文。
经过数据治理后归置在数仓中用于分析统计的信息，虽琳琅满目，但这也不是。
真正高质量、具备壁垒且难以获取的上下文，堪称独门秘方，即企业内部的隐性知识（Tacit Knowledge）。
相较于能够被明确定义、结构化存储、标准化传输的显性数据，隐性知识具有以下两大特点：
-
分散：存在于不同部门、不同层级的组织或个体，如同“大隐隐于市”。
-
主观：更侧重于人的经验智慧、直觉判断，而非纯粹的理性分析。
以下是几个熟悉的业务场景示例：
-
用户需求的探究滞后：需求文档所载内容是一回事，而用户真正愿意花时间推敲的细节，往往出现在文档之外的交付过程中及交付后。需求的持续随机变动，足以让新员工揣摩大半年。
-
产品研发的妥协与折中：架构设计在纸面上可能完美无缺——模块清晰、接口齐全、指标漂亮。但在实际开发时，需要进行各种平衡：技术选型需结合实际环境而非仅追求最佳实践；架构拆分要权衡运维成本而非单纯性能；编码设计则需依据过往经验而非一味求新求全。
-
项目交付的关键策略：真正促使项目顺利交付的，往往并非规范化流程，而是在节点推进时如何巧妙施压。何时需要提前与用户沟通，何时要为厂商供货预留余地，以及如何与各方人员周旋，这些都极具“非标准化”特性。
-
一线员工的临场判断：面对复杂的现场系统环境，标准手册给出的处理方案往往是理想化的。然而，一线工程师能够在几分钟内判断出问题是源于网络、配置还是权限，这种直觉源于“纸上得来终觉浅，绝知此事要躬行”的日积月累。
-
流程背后的潜规则：制度规定逐级汇报，但经验丰富的老同事深知，某些问题若等层层上报，可能错失良机。反而是提前与关键人物打招呼，在特定环节提出意见，才能在不打乱节奏的同时顺利推动。其中最难把握的，是先后顺序与轻重缓急的拿捏。
过去十年，企业致力于消除信息孤岛。软件作为工具供人使用，问题最终仍需由人解决。
当前，更应关注的是认知孤岛。AI若要直接替代人解决问题，它需要被赋予更多“人情味”（而非仅仅作为“替罪羊”）。
这种“人情味”的核心，正是那些隐性知识。它并非冰冷的数据，而是带着温度的经验；它并非标准的SOP，而是中式圆融的智慧；它并非逻辑的推演，而是直觉的闪现。
隐性知识是一位老师傅在无数次重复中形成的手感，是一个团队在长期磨合中形成的默契，是一代人言传身教留下的心法。
再强大的模型，也无法计算出人心里的那杆秤。
如何建立并利用隐性知识库？
这属于专业的上下文工程（Context Engineering）范畴，或许将成为新的竞争高地——围绕企业知识、规则与偏好，构建可持续沉淀与演进的上下文体系。
然而，用处理显性数据的方法来“收集”隐性知识，可能效果不佳，甚至会使其失去宝贵的“人情味”。
因此，与其说是“收集”，不如换个思路，称之为“养”。
人们习惯于将知识转化为文档、手册和数据库条目，这如同将蝴蝶制成标本，形体尚存，神韵全无。
隐性知识是鲜活的，它存在于人的思维中，体现在人的行动上，流淌于人际交往中。若生硬地将其抽取并记录下来，往往会变成生硬的教条。
以下是一些关于“养”隐性知识的思路：
-
闲聊时光
真正非共识的经验交流，常发生在楼道、茶水间、饭桌等非正式场合的闲聊中。
例如，同事间分享踩过的坑，交流处理问题的小窍门。这些碎片化、带着情绪和场景的“闲谈”，其价值可能超越许多正式的会议纪要。
应鼓励并刻意创造这样的场域和时间，让团队成员有空闲聊，有心情闲聊。
-
AI 拜师
知识传承的最佳方式，往往是师徒间的言传身教。
老师傅带领徒弟，通过观察、实践与适时点拨，使知识在一问一答、一看一学之间得以传递。
设想未来，AI作为“学徒”，可跟随团队观察其讨论、争议、妥协及最终解决棘手问题的全过程。
它记录的不仅是结果，更是整个过程的“活剧本”。
-
故事叙述
许多用户更偏爱故事化的叙述，而非标准解决方案。
故事中包含当时的天气、客户的神情、团队内部的争执、不同厂商间的摩擦与趣闻，曲折离奇，充满坎坷，如此一来，听者心中便有了底气。
因此，建议多举办“故事会”而非仅仅构建“知识库”。
定期邀请有经验的团队成员分享故事，可以不设主题，鼓励原汁原味的讲述。其他成员可随时插话、提问。AI可作为忠实记录者，完整捕捉这些包含语气、情绪和互动的故事。
这些故事，便是最鲜活的案例集。
-
关注异常
流程手册通常记录常规操作。然而，一个组织真正的智慧，体现在其处理失败和异常事件的能力上。
例如，一次意外的系统崩溃、一位极其难缠的客户、一次突如其来的需求变更……在复盘这些事件时，不应仅撰写一份“政治正确”的报告，而应深入探究决策者当时的思考过程、选择A而非B的原因以及最担忧的因素。
隐性知识中，很大一部分是关于“如何避免犯错”的智慧。这种智慧，唯有从失败中方能孕育而生。
挖掘这些决策背后的心路历程，才是真正挖到了宝藏。
-
保持在场
隐性知识是动态的，它在解决问题的“当下”产生。事后回顾总结，总难免失真。
因此，最好的方式是“守着火苗”，如同守着火苗，若仅分析烧尽的炭灰，其温度早已消散。
例如，在一个项目讨论会上，AI可以实时将口头交流转化为文字，并根据对话上下文，自动关联过往文档和记录。当有人提及某事件时，AI能即刻将相关背景资料推送至屏幕。它不进行干扰，仅默默提供服务，协助整理零散思绪。
这将人类从繁琐的回忆与记录中解放，使其专注投入创造与思考。
同时，知识在其最新鲜、最“热乎”的状态下被完整记录。那些灵光一闪的念头，那些只在特定场景下才生效的窍门，那些藏在语气和停顿里的犹豫与果决，都连同那份“热气”，一并被保存下来。
归根结底，此过程并非为AI收集智慧，而是借此重新珍视“人”的价值。
“养”出隐性知识的最佳方法，或许是创造一个鼓励人们分享、乐于交流、敢于试错的环境。
“人心似田，四时皆有味。”
“知识如水，渠成自然来。”
