# Arvet：企业AI的缺失环节—— institutional memory 的保留与自动化

## 引言

在当今企业人工智能应用迅速发展的背景下，一个关键问题日益凸显：**企业AI的落地瓶颈，往往不在于模型本身有多先进，而在于上下文（context）的缺失**。每个企业真正运作的方式，深深植根于员工的经验、习惯和隐性知识之中——而这些知识往往随着员工的离开而流失。Arvet作为一款企业记忆层（enterprise memory layer）产品，正是为解决这一痛点而设计。它通过构建组织内部的结构化记忆系统，将员工的实践智慧保留下来，并转化为自动化和流程优化的动力，帮助企业在人员流动中依然保持高效运作。

## 一、企业的隐性知识流失：被忽视的关键层面

### 1.1 机构记忆的挑战

对于任何企业而言，机构记忆（institutional memory）是组织运作的核心资产。它包含了公司历史上如何处理各类事务的经验、决策过程以及人际关系网络等。然而，传统的知识管理系统往往难以有效捕捉这些隐性的、非结构化的知识。知识往往储存在个别员工的头脑中，这就造成了组织对单一员工的依赖。

### 1.2 员工离职带来的成本

根据Gallup 2019年的研究，美国企业因员工自愿离职造成的年度经济损失估计高达**1万亿美元**。这其中的损失不仅包括招聘、培训等显性成本，更重要的是**知识流失**所带来的隐性成本。当一个经验丰富的员工离开时，带走的不仅是他们的专业技能，还有他们对特定流程、客户关系和公司文化的深刻理解。

### 1.3 从"人的知识"到"系统知识"

Arvet的核心理念是：**当员工离职时，其实践知识不必然随之带走**。通过系统化地捕捉、存储和组织工作过程中的信息，企业可以将"人的知识"转化为"系统的知识"，从而实现知识的持久化和复用。

## 二、Arvet的核心功能：从记忆到自动化

Arvet的产品设计围绕三大核心功能展开，形成了一个完整的企业知识管理和流程优化闭环。

### 2.1 机构记忆（Institutional Memory）

这是Arvet最基础而关键的功能。它能够回答员工关于工作方式的问题，并给出有来源依据的回答，而不是泛泛而谈。比如员工可以问："我们过去是如何处理这类客户投诉的？"系统会基于实际发生过的工作记录，提供准确的答案。

### 2.2 工作流程自动化（Workflow Automation）

Arvet不仅仅是一个被动的知识存储库，它还能主动地观察员工的工作方式，学习任务的实际执行步骤，进而实现自动化。与传统的脚本自动化不同，Arvet的自动化建立在**真实工作流程的基础**之上，因此更能够处理那些传统脚本无法应对的实际细节和例外情况。在一个实际试点中，Arvet在**两周内**就学会了员工的一项重复性工作流程并实现了自动化。

### 2.3 流程智能（Process Intelligence）

Arvet提供关于工作如何进行的深度洞察，帮助管理者了解时间消耗在哪里、哪些交接环节造成了延迟、工作在哪里出现阻塞。这些洞察都是基于组织实际运作的真实数据，而非假设。

## 三、工作原理：从被认可的活动到可用的记忆

Arvet的工作流程严格遵循"先定义边界，再构建记忆，然后问答自动化，最后持续优化"的原则，确保每一步都在企业控制范围之内。

### 3.1 步骤一：定义观察边界

首先，由组织自行决定Arvet可以观察的范围。只有被明确批准的工作应用程序才会被纳入；其余一切应用都被排除在外。这种**白名单优先**（Whitelist-first）的捕获机制确保了敏感性。

### 3.2 步骤二：构建记忆层

Arvet将经过批准的截图和流程活动转化为对工作流程、决策和关系**结构化理解**。这一步是关键，因为它不仅仅是保存数据，而是建立有意义的业务逻辑关联。

### 3.3 步骤三：回答问题并实现自动化

员工可以通过Claude或ChatGPT等AI助手进行提问，获得的答案均基于真实的工作记录。当Arvet识别出重复性工作模式后，即可自动执行。

### 3.4 步骤四：持续改进

每一次工作流程的执行都会丰富记忆库，使答案更加精确、自动化更加智能。这套系统具有**复合学习效应**，随着使用时间的增加，系统对组织工作方式的理解也日益加深。

## 四、隐私与安全设计：从"零信任"到"可信赖"

在隐私保护方面，Arvet采取了多层防御的设计方案。

### 4.1 白名单优先

任何内容在未经明确批准之前，**不会被捕获**。非工作相关的应用程序完全在系统边界之外。

### 4.2 模块化控制

可以根据角色、团队、公司或地区灵活设置捕获和访问规则。敏感团队和受监管地区可以完全被排除，而不影响组织其他部分的运作。

### 4.3 数据归属权

Arvet在组织内部构建记忆层，企业完全控制数据安全、保留期限和使用权限。**数据始终归企业所有**。

## 五、面向未来的Agent训练

Arvet的愿景超越了简单的知识管理，它致力于建立企业专属的AI智能体。

### 5.1 角色专属Agent

可以构建财务、运营、客户服务等专业智能体，这些Agent扎根于企业最优秀员工的真实专业技能。

### 5.2 上下文层

通用模型了解世界，而Arvet则教会它们**你的公司是如何运作的**。即使底层的AI模型更换了，企业的组织记忆依旧保持。

### 5.3 模式无关

Arvet通过MCP（Model Context Protocol）协议与多种AI模型连接，确保企业可以在不丢失记忆的情况下，灵活切换AI服务提供商。

## 六、真实世界中验证

Arvet并非实验产品，而是一个在实际工作场所中不断验证的解决方案。目前，它已在**三个场所**稳定运行，包括一家公关公司和两个家族办公室环境。这些实际部署验证了Arvet的有效性和适应性。

## 七、团队与背景

Arvet由两位联合创始人（Jet Kozarcic和William Liu）共同创立。他们在QASMT的计算机科学课上相识，从GPT-3时代就开始用AI进行开发，如今在家族办公室环境中工作，亲眼目睹了知识流失问题的严重性。Arvet源于与一位EY-Parthenon合伙人的一次对话，那场对话清晰地揭示了机构知识流失的规模问题。既有的行业认知和真实需求，构成了Arvet创立的直接驱动。

## 八、常见问题解答（FAQ）

为帮助潜在客户更清晰地理解Arvet的产品定位，以下为最关键的问题：

- **关于员工监控**：Arvet的核心定位是知识保留与工作自动化，而非绩效考核。系统性设置决定了它默认不进行捕获。
- **关于数据存储**：数据存储于企业边界内，企业拥有所有权和控制权。
- **关于可迁移性**：企业**完全拥有**Arvet创建的记忆层，其格式与模型无关且可移植，可随时更换AI服务商。

## 九、产品定位与展望

在**知识密集型行业**，如金融服务、专业服务机构（家族办公室、投资公司、咨询公司、会计师事务所等），Arvet致力于提供最合乎需求的企业AI基础设施。这款工具的设计理念为解决长期困扰企业的知识流失问题提供了一个可行且可扩展的路径。

Arvet的使命十分清晰：**让工作方式本身变成企业资产——不会因人员流动而流失，能够持续积累、复用和自动化。** 当企业拥有了一个能够记住一切"如何做工作"的系统，它便真正成为了企业可长期依赖的AI基础层。