企业里不好管的数据，常常不在数据库里。合同、产品文档、客服工单、会议纪要、社群帖子、图片和录音散落在网盘、邮箱、IM、业务系统和对象存储中。它们没有统一字段，却要支撑知识库、检索增强生成和 Agent 的检索与回答。检索增强生成常被简称为 RAG。Gartner 高级总监分析师 Tim Nelms 在 2025 年接受 ITPro 采访时提到，内容也就是非结构化数据，约占企业信息的 80%。
数量大只是一面。治理做不好时，常见的结果是同一政策多个版本、敏感文件被越权检索、过期内容被 Agent 引用、没人说得清哪份资料该负责。治理做得好不好，通常取决于三件事：知不知道有什么、能不能判断哪份可用、能不能把权限和版本带到检索环节。
下面按落地顺序拆开：先明确管什么，再盘点、登记、分类、质控、授权和版本管理，最后用指标验证。
非结构化数据治理，先管什么、管到什么程度？
非结构化数据治理，是对文档、图片、音视频、邮件、工单、聊天记录等没有固定字段的数据，建立覆盖发现、登记、分类、质量、权限、版本和退役的管理机制，让这些内容在人阅读和 Agent 检索时都能被正确使用。
企业里可以先分三类对象，治理重点不同。
| 对象 | 常见内容 | 主要风险 | 先做什么 |
|---|---|---|---|
| 文档类 | 制度、合同、产品手册、图纸、培训材料 | 版本多、权限粗、过期未清理 | 建登记卡，确认负责人和有效期 |
| 客服反馈 | 工单、聊天记录、通话录音、退款和投诉记录 | 个人信息多、重复高、结论未必可复用 | 脱敏、去重，标记适用产品和场景 |
| 社区内容 | 帖子、评论、用户投稿、创作者内容 | 噪声大、上下文缺失、版权和舆情风险 | 先做主题和来源筛选，再决定是否进入知识库 |
三类内容都会进入同一个检索入口，治理要求却不同。文档重版本和权限，客服反馈重脱敏和场景，社区内容重筛选和上下文。
治理目标可以落成四个结果：找得到、看得懂、判得准、管得住。 找得到靠盘点和索引，看得懂靠元数据和解析，判得准靠分类分级和质量规则，管得住靠权限、版本和审计。
治理范围可以分层。高价值内容进入 AI 检索，低价值内容只做归档，敏感内容限制使用或禁止进入 AI。这样做能控制成本，也能降低越权风险。
如果企业正准备上知识库、检索增强生成或 Agent，优先治理会被这些应用读取的内容。中国电子技术标准化研究院 2020 年发布的《非结构化数据管理解决方案白皮书》，把非结构化数据管理纳入 DCMM 的能力框架，讨论管理体系、能力成熟度和内容管理，可以作为自查参考。DCMM 是 GB/T 36073-2018《数据管理能力成熟度评估模型》的简称，从战略、治理、架构、标准、数据生存周期、应用、质量和安全等能力域评估企业数据管理。如果还在理解企业级知识库的定位，可以看企业级知识库的定义、原理与适用场景。
第一步，先盘点会被 AI 用到的内容
盘点从场景开始，不从全公司文件开始。选一个高频、错误成本高的场景，比如客服问答、销售支持、制度查询或经营分析，把该场景需要的内容列出来。
盘点表至少包含这些字段：
- 内容名称和类型
- 来源系统和存储位置
- 所属业务域
- 负责人
- 当前版本和更新时间
- 使用频率
- 敏感级别
- 是否计划进入 AI
- 是否存在重复、过期、无主
文件量很大时，先按系统、目录和业务域分层抽样。系统扫描负责发现文件，人工核对负责判断价值和归属。第一期能在一个场景里找出前 100 份关键内容，并标出过期、重复、无主和敏感内容，盘点就算有结果。
盘点的产出是一张能支持后续决策的地图。 团队要能回答四个问题：内容在哪里、谁负责、是不是最新、能不能给 AI 用。
第二步，给关键内容建一张知识登记卡
登记卡是治理的基本单元。它把一份内容的来源、负责人、版本、有效期、权限和用途固定下来，后续的分类、检索、审计都从这张卡取信息。
| 字段 | 示例 | 作用 |
|---|---|---|
| 内容名称 | 退款政策 | 便于检索和引用 |
| 内容类型 | 制度文档 | 决定解析和切分方式 |
| 来源系统 | 客服知识库、政策中心 | 追溯原始出处 |
| 业务域 | 售后 | 确定业务负责人 |
| 负责人 | 售后运营 | 处理更新和争议 |
| 版本 | v3.2 | 区分历史版本 |
| 生效时间 | 2026-09-01 | 判断当前是否适用 |
| 有效期 | 2027-08-31 | 触发复审或退役 |
| 密级 | 内部 | 决定访问和脱敏 |
| 使用范围 | 客服 Agent、官网帮助中心 | 限定调用场景 |
| AI 可用 | 是，需按用户身份过滤 | 控制检索和生成 |
| 关联实体 | 退款条件、适用品类、审批节点 | 支持关系检索 |
| 变更记录 | 2026-08-20 调整运费规则 | 支持追溯和回滚 |
字段不必一次做全。先保证来源、负责人、版本、有效期、权限和适用场景六项。没有负责人的内容，不进入 AI 检索；没有有效期的制度，按待复审处理。
登记卡要能被机器读取。把关键字段做成结构化属性，检索、权限和审计系统才能直接使用。把说明写在文档正文里，机器很难稳定判断。
第三步，数据分类分级要能触发动作
分类回答这是什么，分级回答谁能看、能怎么用。两者合在一起，才能决定一份内容进入哪个库、被谁检索、能不能生成答案。
| 维度 | 可选值 | 用途 |
|---|---|---|
| 业务域 | 售后、法务、研发、市场、人力 | 确定负责人和使用范围 |
| 内容类型 | 制度、合同、工单、帖子、音视频 | 选择解析和切分方式 |
| 敏感级别 | 公开、内部、机密、受限 | 决定加密、脱敏和访问控制 |
| AI 用途 | 可检索、可总结、仅可引用、禁止进入 | 控制检索、生成和外发 |
分类分级由业务定义，技术负责执行。业务更清楚哪些内容敏感、哪些条款有例外、哪些客户反馈可以复用。技术团队负责把规则做成字段、标签和策略。
机器可以先做初筛，给出分类建议和置信度，高风险和边界内容交给人审核。追求完全自动识别会让项目一直停在试点。更现实的做法是机器处理大部分常规内容，人工抽检高风险内容，并保留复核记录。
分级结果要能触发动作，只打标签不执行，治理不会改变任何风险。 比如加密、脱敏、限制检索、禁止导出、缩短留存期。
第四步，质量治理放在向量化之前
文档重复、过期、互相矛盾，切成片段后仍然存在。向量化改变的是检索方式，不会自动修正内容质量。
质量检查至少看六个维度：
| 维度 | 检查问题 |
|---|---|
| 准确性 | 内容与现行制度、产品或业务事实是否一致 |
| 完整性 | 是否缺少适用范围、生效时间、例外条款 |
| 时效性 | 是否过期，是否经过复审 |
| 一致性 | 同一概念在不同文档中是否口径冲突 |
| 可解析性 | 扫描件、表格、图片和音视频能否被稳定解析 |
| 可追溯性 | 能否追到来源、版本和负责人 |
入库前设准入规则。没有负责人、过期未复审、与现行制度冲突、解析质量不达标、敏感内容未脱敏的内容，先不进入 AI 检索。
解析和切分也要抽样核对。表格、扫描件和图片容易丢字段，音视频转写容易错词。切分后不能丢掉标题、适用范围、生效时间这些限制条件，否则检索命中了也会答错。
质量指标可以先看重复率、过期率、无主率、抽样准确率和引用可追溯率。先记录基线，再按月看变化。
第五步，数据权限治理要跟到检索环节
数据权限治理要跟内容走，也要跟使用场景走。 用户在原文系统里有权限，不代表他在 AI 问答里就能看到同样的内容。检索环节还要按身份、部门、密级和用途做一次过滤。关于 Agent 场景的权限审计和可信决策，可以参考企业级 AI Agent 安全与治理。
权限粒度至少到文档和目录，关键场景要到章节、字段或知识块。客服、人力、财务等敏感内容要做隔离。对外使用的 Agent 还要限制可生成的答案范围，避免把内部条款改写成对外承诺。
版本管理要记录谁改了什么、何时生效、影响哪些 Agent 和报表、如何回滚。只留 v1、v2 不够，团队需要知道当前该信哪一版。
每条知识要有负责人、复审周期、有效期和退役方式。负责人调岗时要做转移，长期无人维护的内容进入待复审或归档。删除和归档要分开，法规要求留存的内容不能直接删，不再使用但需留痕的内容可以退出检索。
第六步，供人阅读和供 Agent 检索，要求不同
同样一份内容，人读和 Agent 读，需要的信息不一样。人可以从目录、标题和上下文判断，Agent 更依赖结构化字段、权限标记和版本信息。
| 维度 | 供人阅读 | 供 Agent 检索 |
|---|---|---|
| 组织单位 | 文档、章节 | 知识点、实体、关系 |
| 关键信息 | 标题、目录、正文 | 定义、适用范围、生效时间、权限、来源 |
| 检索方式 | 关键词、目录、全文搜索 | 语义检索、关键词、权限和版本过滤 |
| 版本管理 | 人工确认 | 变更集、生效范围、回滚 |
| 权限粒度 | 文件、文件夹 | 文档块、字段、行级 |
| 验收标准 | 能找到文档 | 答案正确、可引用、可追溯 |
把文档统一上传、做向量化，能解决一部分检索问题，解决不了口径冲突、权限越界和版本过期。
Agent 需要的知识单元更小，限制条件要跟着走。比如退款政策，不能只给一段正文，还要带适用品类、生效时间、例外条款和责任部门。
Gartner 在 2026 年数据与分析峰会的相关分享中，把非结构化数据能力拆成接入、数据质量、治理和元数据管理四层，并强调治理要跟随 AI Agent 的数据血缘。Atlan 对这场峰会的整理记录了这组判断，也提到不少团队直接跳到治理，结果治理的是自己无法稳定接入和衡量的内容。这个顺序和上面的步骤一致：先接入和盘点，再质量、治理和元数据，最后才谈检索效果。
ThinkingAI 企业级知识库把这层工作放在 Agentic Engine 的基础设施层。它对接企业内部文档、报表等信息源，用 Schema-first 把非结构化文档解析成实体图谱，再通过统一接口供不同 Agent 检索。这里的 Schema-first 指先定义业务对象和关系，再把文档内容填进去。每次更新通过 ChangeSet 变更集保留可追溯、可对比、可回滚的记录，SSOT 单一事实源保证同一概念在全系统只有一处定义。客服问答、Text-to-SQL 和数据分析可以共用一套知识底座。ThinkingAI 已服务全球超 1500 家企业，接入产品超 8000 款。
这类产品适合已经有明确 AI 场景、知识分散在多个系统、错误回答会带来实际损失的企业。只做文件归档、没有 AI 计划的团队，可以先把目录、权限和更新机制整理好，不必急着上复杂平台。Agent 可直接调用知识的具体要求，可以看Agent Ready 的企业知识库长什么样？。
30/60/90 天怎么落地？
治理不需要等所有条件齐备再开始。选一个场景，按30/60/90 天推进。
| 阶段 | 主要动作 | 交付物 | 验收信号 |
|---|---|---|---|
| 0–30 天 | 选场景，盘点头 100 份内容，建登记卡，做质量清洗，记录基线 | 场景内容清单、登记卡、问题清单 | 能说清关键内容在哪里、谁负责、哪些过期或敏感 |
| 31–60 天 | 分类分级，设权限和版本规则，接入知识库或检索增强生成，做小范围试点 | 分类分级表、权限策略、版本记录、试点结果 | 关键问题能检索到正确内容，引用能追到来源和版本 |
| 61–90 天 | 扩到 2–3 个场景，建立复审和退役机制，按指标复盘 | 运营机制、指标看板、审计记录 | 过期、无主、重复内容占比下降，答案采纳率或首次解决率有改善 |
角色分工也要提前定。
| 角色 | 主要职责 |
|---|---|
| 业务负责人 | 定义内容价值、敏感级别、适用范围和更新责任 |
| 数据治理团队 | 制定登记卡、分类分级、质量和版本规则 |
| IT 与平台团队 | 接入系统、解析内容、配置权限和检索 |
| 安全合规 | 审核敏感数据、访问策略、审计和留存要求 |
| AI 团队 | 设计检索、引用、评测和 Agent 调用方式 |
先跑通一个场景，再扩到更多部门。 全公司一起铺开，通常在第二个月就会停摆。
指标不要只看访问量。访问量高可能只是大家找不到别的地方。更有用的指标包括盘点覆盖率、登记卡完整率、过期率、重复率、无主率、权限抽检准确率、引用可追溯率、答案采纳率和首次解决率。
常见问题
非结构化数据治理就是建知识库吗
知识库是治理后的使用方式之一。治理还要处理盘点、分类、质量、权限、版本和退役。没有这些工作，知识库只是把原来的混乱搬到一个新系统里。
需要先把所有文件都向量化吗
不需要。先治理会被 AI 使用的内容，再做解析、切分和向量化。低价值内容可以只归档，敏感内容可以限制或禁止进入检索。全量向量化会增加成本，也会把过期和重复内容带进检索结果。
没有专职团队怎么开始
从一个高价值场景开始，指定业务负责人和一名数据治理接口人。第一期只做关键内容清单、登记卡和准入规则，不追求全公司覆盖。跑通后再决定是否增加专职人员和平台。
怎么判断治理有没有效果
看三类指标。内容指标看盘点覆盖率、登记卡完整率、过期率、重复率和无主率；权限指标看越权检索拦截和权限抽检准确率；业务指标看答案采纳率、首次解决率和错误返工率。上线前记录基线，按月对比。
非结构化数据治理和文档管理、DLP 有什么区别
文档管理关注文件怎么存、怎么找、怎么归档，DLP 关注敏感内容怎么防外发。非结构化数据治理要把这些环节连起来，还要为 AI 检索补上语义、权限和版本信息。三者可以共存，单独用其中一种都覆盖不了 AI 场景。
中小企业要不要做
看知识是否已经成为业务瓶颈，以及未来 12 个月是否要上线 AI 应用。系统多、查询频繁、口径经常冲突、错误回答会带来损失的企业，应该尽早做。内容量小、只做归档的团队，可以先用目录、权限和更新机制过渡。
