AI Agent 知識傳承
這個概念指的是把會議紀錄、跨部門協作、行動項目追蹤與內部知識沉澱交給 AI Agent 來處理，讓組織不必依賴人工逐字整理或口耳相傳。重點不是做一個「聊天機器人」，而是把可重用的組織記憶做成可持續運作的工作流。ai-agent loop-engineering
Bnext 這篇良興 × Data-DI 的案例，直接提到企業常見痛點：會議紀錄靠人工聽打、有人名誤植、決策遺漏、行動項目無人追蹤。這些都是 AI Agent 最適合切入的高摩擦環節，因為輸出格式明確、錯誤可檢查，而且結果能回寫到知識庫或任務系統。hermes-lmwiki-obsidian-workflow aiark-loop-engineering
BusinessNext 對 Claude Tag 的報導把這個概念從「會議後整理」推進到「協作頻道中的共享 AI 隊員」：每個 Slack 頻道可有同一個 @Claude 實體，讀取經授權的工具、資料與程式碼庫，在公開 thread 中回報任務進度。這使知識傳承不只發生在文件產出後，也發生在日常決策、專案追蹤與跨頻道脈絡累積中；但它同時要求管理者能控管頻道權限、花費上限與操作紀錄。ai-collaboration-compounding-workflow agent-ready-data-governance
常見落點
- 會議摘要與 action items 擷取
- 跨部門 FAQ / SOP 更新
- 新人 onboarding 的知識查詢
- 內部文件與討論串的結構化沉澱
- Slack / Teams 頻道中的共享 agent 任務追蹤與脈絡記憶
BusinessNext 2026-07-14 的 Claude Project＋Cowork 1-on-1 教學，示範把團隊面談筆記、逐字稿、評估框架與追蹤表放進同一個 Project：面談後只根據證據產生評估、列出承諾與 follow-up，面談前再從最近紀錄產生議程。這是個人／主管層級的知識傳承 loop；AI 整理歷史與辨識模式，但績效判斷、公平性與輔導仍由人負責。context-engineering agent-ready-data-governance
BusinessNext 2026-07-22 的 ChatGPT Work 教學提供一個更輕量的會議後輸出例子：將同一專案近期會議紀錄與過去簡報大綱交給 Work，要求產出包含目標、里程碑、負責人、期限、風險與下一步的專案進度簡報。這把「會議紀錄 → 結構化狀態 → 對外簡報」接到知識傳承 loop；可重用的規則是讓輸入脈絡與輸出契約明確，並在下載前核對日期與責任人。文章也提醒不要直接上傳機敏資訊，且會議外的策略想法要由人補充；因此它是產品教學案例，不是簡報品質 benchmark。context-engineering prompt-debugging-eval-checklist
BusinessNext 對富邦人壽三大智能助理的案例，補上一種以專業經驗縮短學習曲線的知識傳承：理賠助理把資深人員的判斷邏輯、醫療資訊、保單條款與內部規則整理成可檢索的知識庫，讓新進同仁更快掌握案件重點；客服助理則以既有 FAQ 與資料治理機制維持回答來源的可信度。可重用的邊界是 AI 整理與導引，專業人員仍負責決策、例外處理與客戶溝通，對應 agent-ready-data-governance 與 ai-native-enterprise-governance 的資料、權限與 owner gate。
BusinessNext 對新日興的製造業案例，把知識傳承從「會議後整理」推進到 domain engineering：研發團隊將跨團隊的製造、試錯與修正經驗累積成 RD 知識庫，形成可供新人隨時追問的「老鳥分身」。它不只回答單一答案，也能讓新人查到一種異常的多種成因，讓資深工程師補上自己當下沒想到的可能性，並用過往測試報告支援對客戶的技術判斷。可重用的控制邊界是由工程師引導與驗證知識庫，保留來源證據，並把 AI 導引和最終專業決策分開；案例中的「約 5 年資歷水準」是公司／媒體說法，不是獨立評測。^[raw/articles/bnext-szs-ai-agents-in-house-development-2026-08-01.md] agent-ready-data-governance ai-native-enterprise-governance
PwC：人才、信任與知識傳承是 AI fitness 的一部分
PwC 將人才列為 AI 基礎能力，不只看是否有 AI 專家，也看員工是否接受職能相關訓練、是否信任 AI 產出、跨職能團隊是否共同開發，以及獎勵機制是否鼓勵日常使用。這補強本頁的知識傳承主線：AI 知識庫與 agent 只有在員工願意採用、知道權限邊界並能把輸出接回工作流程時，才會形成可量化績效。
對製造與企業知識場景而言，資深員工的隱性知識要先被整理成可查、可引用、可驗證的資料與流程，再由 AI 做導引；最終專業決策仍需要具名 owner。這把 ai-agent-knowledge-transfer 與 agent-ready-data-governance、ai-native-enterprise-governance 和 ai-fitness-and-enterprise-ai-maturity 接成同一條「知識 → 採用 → 回饋 → 績效」路徑。
風險
- 沒有明確輸出格式時，AI 只會產生漂亮但不可用的摘要
- 沒有 review gate 時，錯誤人名、決策與日期會被快速放大
- 若沒有對應的 knowledge base / task system，知識傳承只會停留在聊天紀錄
- 若共享 agent 可讀取太多頻道與工具，權限邊界、成本與 audit log 會先成為治理瓶頸