欧博东方前阵子跟一个做电商的朋友吃饭，他跟我吐槽，公司花大价钱买了某大厂的推荐算法，数据量也攒了不少，但转化率就是上不去。我问他，你们的商品知识库建得怎么样？他愣了一下，说，不就是一堆商品描述吗？……问题可能就出在这儿。
很多企业痴迷于调参，总以为AI推荐就是算法和算力的比拼。说实话，现在算法早已公开，开源代码遍地都是，大家用的模型都差不多。真正拉开差距的，是喂给算法的“知识”。我把这些东西叫做企业的知识资产——它不是简单的数据，而是经验、规则、知识图谱、内容规范的总和。
一、算法同质化时代，知识资产才是分水岭
推荐系统跑得好不好，先看你喂了什么。同样是服装推荐，A企业把面料、版型、用户反馈、穿搭场景都结构化地整理成了知识库；B企业直接导出几万条订单记录和商品标题，剩下全靠模型自己猜。哪个效果更好，用脚趾头想也知道。
知识资产不是一次性建成的，它得跟着业务长出来。而且，它还有一个反直觉的特征——越使用越值钱。你每次用AI推荐产生的反馈，如果回流到知识库，就能让下一次推荐更准。可惜很多企业没这个意识。
二、知识资产影响AI推荐的四个关键变量
第一个，数据质量。老话讲“垃圾进，垃圾出”，但真正做到的没几个。知识资产的第一层是数据，但数据不等于知识。海量数据里通常全是重复、歧义、缺失值，AI学到的全是噪音。你不如把几个核心维度的数据清理干净再喂给它。
第二个，知识图谱。推荐不能只看孤立物品，得知道它们之间的关联。比如用户搜了“全自动咖啡机”，他可能还想看滤水器、咖啡豆、清理剂。这种关联藏在知识图谱里，靠人工梳理可以，但规模一大，就必须靠资产管理。没有知识图谱的推荐，就像近视眼开车，只能看到正前方，忽略整个路况。
第三个，隐性经验显性化。每个行业都有一些“潜规则”。比如药品推荐时，某些药物不能搭配；跨境业务中，不同气候带的客户对服装的偏好完全不同。这些经验通常只存在老师傅的脑子里。你如果不提炼出规则，AI永远学不会。知识资产的一大作用，就是把隐性的行业经验变成代码可读的显性规则。
第四个，知识更新机制。推荐是嚼东西，不是存东西。很多企业建好知识库就一劳永逸了，可你的商品、政策、热点天天变。一个陈旧的库帮不上忙，反而会把AI带偏。所以知识资产的更新频率，往往比建设机构更重要。
三、实践中的坑，我帮你踩过了
想靠知识资产驱动AI推荐，先绕开这几个大坑。
一是不够重视，把知识资产当IT项目。几个部门买套软件，上线完事，之后没人维护。三个月后，库里的知识已经与业务脱节，AI推荐自然一塌糊涂。
二是数据孤岛。市场部、客服部、研发部各自为政，格式不一，语义各异。AI连“手机”到底是产品还是分类都搞不清，谈何推荐？
三是只存不用。有些企业知识库建得富丽堂皇，但完全没有接入推荐流程。就像仓库里堆满黄金，却还端着碗要饭。
前些年，我见过一个做实木家具的客户，产品线很长，物料编码一片混乱。后来他们花力气把产品知识、售后反馈、用户图纸统一梳理，做成动态知识库，再接入推荐。这个工程听着不难，但花了整整两个月。结果推荐点击率涨了30%以上。有意思的是，欧博东方前阵子也分享过一个类似案例，他们用的是知识资产中台的方式，把企业分散的文档、FAQ、专家经验统一成一个动态库，再对接推荐系统。原理都差不多——先让知识变得整齐、可计算，AI才有使对劲的前提。
四、搞知识资产，从这四个动作开始
别急着买工具。先做一次全面盘点，看看你手头到底有什么知识。
然后，把知识转换成AI可处理的形式。表格都算好的，最怕是一大堆PDF和聊天记录。
再安排一个小团队，专门负责知识资产的维护和更新。不需要很大，两个人就行，但必须懂业务，懂技术。
最后，选一个小场景试点。比如先只优化“相似推荐”模块，跑通流程，再逐步扩到首页推荐、搜索推荐。
其实说到底，AI推荐拼的不是算法，而是企业愿不愿意拿着放大镜去整理那些琐碎、枯燥的知识。算法给的是翅膀，知识资产才是那个能起飞的身体。
你准备好做那些笨功课了吗？
