需求驱动知识库构建 — Agent失败即信号：用任务失败驱动最小化知识摄入
Skill-Demand-Driven-KB-Construction · 08-知识图谱
1. 解决的问题
传统预先规划知识库耗时3个月且充满无用冗余——DDC让Agent在真实任务中失败，用失败信号驱动最小化摄入，20-30个问题周期后知识库收敛，覆盖所有真正需要的知识（零冗余）（2025 arXiv:2603.14057）
2. 核心算法逻辑
反直觉洞察：传统知识库构建方式是"顶层设计"——先想好"用户会问什么"，然后预先整理所有相关文档摄入知识库。这有两个致命问题：①不知道自己不知道什么（发现问题本身是难题）；②产生庞大冗余的知识库（大量内容永远不会被查询）。DDC（DemandDriven Context）的反直觉方案：让Agent先去干活，等它失败，用失败作为信号确定需要哪些知识。这类似测试驱动开发（TDD）——先写测试（真实任务），再写代码（摄入知识）。
3. 业务应用场景
- 传统方式痛点：某母婴品牌让团队花3个月整理了500页合规文档摄入知识库，但AI助手实际使用时频繁出错（因为文档包含大量通用信息，而非Mother&Baby跨境电商的具体场景） - DDC方案： 1. 让合规AI助手处理真实工单（"我的吸奶器要进入英国市场，需要什么认证？"） 2. 第1次失败：不知道UKCA vs CE的区别 → 摄入"UKCA认证流程"实体 3. 第3次失败：不知道FBA海外仓入库需要CPC证书 → 摄入"FBA合规要求"实体 4. 第7次：Agent独立完成US/UK/DE的合规清单 → 合规知识库基本收敛 5. 全程摄入：23个精确实体（vs 500页通用文档的"大而
- **业务问题**：供应链AI需要了解"采购-海运-清关-FBA入库"全流程，但SOP文档分散在多个系统，没人知道AI真正需要哪些部分 - **DDC执行**：从高频任务开始（"帮我计算这批货的到港时间"），让AI失败，按失败收集缺失知识；9轮后形成包含37个实体的供应链知识库，覆盖80%的日常操作场景
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：传统方式构建合规知识库3个月$15000人工成本，DDC方式2周$3000；知识库精准度更高使AI助手成功率从58%→91%；年化减少人工复查50%；系统成本$2万，ROI≈500%
- 实施难度：⭐⭐☆☆☆（方法论简单，关键是建立"Agent失败→缺口识别→摄入→验证"的闭环流程，无需特殊技术）
- 优先级：⭐⭐⭐⭐⭐（知识库是所有Agent的底座，DDC从根本上解决了"如何构建有用的知识库"问题——这比优化检索算法更重要）
- 适用规模：任何需要构建领域知识库的组织，特别是有大量未结构化领域知识的跨境电商合规/供应链场景
- 数据依赖：只需要真实任务（而非预先规划的知识），通过失败自动发现需要什么知识
7. 代码模板
代码块数量：2 · 路径：未检测到
"""
需求驱动知识库构建系统 (Demand-Driven Context)
功能：Agent失败检测 + 知识缺口识别 + 渐进摄入 + 收敛监控
基于 arXiv:2603.14057 (2025)
"""
import json
import uuid
from dataclasses import dataclass, field
from typing import List, Dict, Optional, Any
from enum import Enum
import warnings
warnings.filterwarnings('ignore')
class EntityType(Enum):
FACT = "fact" # 不变的业务规则/定义
PROCESS = "process" # 操作步骤序列
DECISION = "decision" # 判断准则
class GapSeverity(Enum):
CRITICAL = "critical" # 直接导致任务失败
HIGH = "high" # 可能导致错误结果
LOW = "low" # 影响质量但不影响完成
@dataclass
class KnowledgeEntity:
"""知识实体（DDC的基本单元）"""
entity_id: str
name: str
entity_type: EntityType
content: str
domain: str
source: str # 来源（文档路径/专家姓名/系统名称）
validated_by_tasks: List[str] = field(default_factory=list) # 验证过此实体的任务ID
usage_count: int = 0
created_cycle: int = 0 # 在第几个DDC周期创建
@dataclass
class KnowledgeGap:
"""知识缺口"""
gap_id: str
task_id: str
description: str # Agent描述的缺口
context: str # 任务上下文
severity: GapSeverity
impact_probability: float # 影响任务成功的概率
resolved: bool = False
resolved_by_entity: Optional[str] = None
@dataclass
class DDCTaskResult:
"""DDC一轮任务执行结果"""
task_id: str
task_description: str
success: bool
gaps_identified: List[KnowledgeGap] = field(default_factory=list)8. 论文来源
- 2603.14057