Почему знания разбросаны по всей компании?

Готовлю задачи для AI-аналитиков и периодически упираюсь в вопрос: где взять всё, что нужно знать для их выполнения?

Знания часто раскиданы по разным местам - определение метрики в конфлю, последнее уточнение лежит в рабочем чате, почему решили считать именно так знает коллега, ссылка на прошлый расчёт спрятана в задаче.

У аналитика со стажем есть шанс собрать эту картину по памяти. Агенту приходится объяснять, где искать и чему верить.

Контекст для базы знаний приходится собирать много где:

базы знаний Confluence и другие базы знаний: определения, методики, процессы. Включая устаревшие.
таск-трекеры Jira, YouTrack: постановки задач, уточнения, решения, результаты выполнения задач.
Каталоги данных: описания таблиц и полей, происхождение данных, владельцы.
Документы, облака, SQL, ноутбуки: расчёты. Почему считали именно так — может лежать отдельно.
Slack, Telegram, лички и каналы: обсуждения и решения, которые редко переносят в документацию.
Почта и встречи: согласования, ограничения, договорённости.
Головы аналитиков и заказчиков: почему всё устроено именно так.

По разговорам с коллегами и постам в LinkedIn есть три подхода к подготовке знаний для агентов.

1 Подключить всё через mcp и отдать агентам (god-mode).

Конфлю, Jira, почту, чаты, облака - пусть агент ищет знания и ответы сам. Какие документы актуальны и где окончательное решение, заранее не разбираем. Потом агент находит три версии методики и тратит кучу токенов, чтобы спросить, какая правильная.

2 Оставить всё как есть

Аналитик знает, где искать. Если агенту чего-то не хватит — спросим человека.

3 Последовательно организовать работу со знаниями

Для конкретной задачи определить нужные источники. Разобраться, какие правила действуют, кто их поддерживает и что делать с противоречиями. Настроить получение нужной информации по ходу работы агента.

Сам я методом проб и ошибок пришёл к трём практическим советам:

1 Начинать с одной типовой задачи.

Выбрать понятный результат. Собрать определения, данные, прошлые расчёты и ограничения. Сделать короткий вход со ссылками и отметить пробелы.

2 Пополнять базу знаний по ходу работы.

Уточнили правило — записали. Приняли решение — сохранили почему. Закончили расчёт — оставили результат и ссылки. Чтобы найденное сегодня пригодилось для следующей задачи.

3 Заранее договариваться о времени смежных команд.

Вместе с владельцами данных, инфраструктурой и AI-платформой выяснять, где нужные данные, что означают поля, какие ограничения есть и как агент сможет получать эту информацию.

Собрать источники — только начало. Дальше нужно выбрать актуальное для задачи и передать модели вместе с инструкциями. А по ходу работы дополнять контекст, когда появляется новая информация. Это уже context engineering.