KUPAS MASTER：将资深从业者的隐性专业知识蒸馏为 Agent 可用的经验语料

  • 关联论文：2609.37673
  • 作者：Tom
  • 更新：2026-10-01

一句话结论

KUPAS MASTER 通过九层认知语料构建框架，将资深从业者的隐性经验（日常工作记录 + 访谈）转化为结构化的可执行经验资产，使 LLM Agent 在专业任务上的得分从 raw corpus RAG 的 79.75 提升至 89.58（满分 100），验证了经验工程化是 Agent 专业能力落地的一条可行路径。

解决什么真问题

经验丰富专业人士掌握的不仅是事实和结论，还包括哪些线索关键、为什么某个判断合理、应该采取什么行动——这类隐性知识（tacit knowledge）日常工作中往往不会被记录下来，使得 LLM Agent 在专业场景中只能依赖显性事实，无法利用经验判断力。

核心挑战： 1. 隐性知识难以提取：日常工作记录缺少"为什么这么想"的推理过程 2. 异构数据难以统一：工作记录格式各异，需要与从业者访谈交叉验证 3. 经验资产难以复用：提取出的经验需要变成 Agent 可直接调用的技能，而非仅作为检索语料

核心方法

六要素案例结构

每个任务过程通过六个案例要素保留下来： - Context（上下文）：任务背景 - Cues（线索）：判断时注意的关键信号 - Judgment（判断）：得出结论的推理 - Action（行动）：采取的具体行动 - Boundaries（边界）：该判断/行动的适用边界 - Outcomes（结果）：执行后的结果

九层认知语料构建

沿九个提取维度将隐性经验结构化：

提取维度（示例）：
1. 任务类型识别
2. 关键线索提取
3. 判断标准归纳
4. 行动方案生成
5. 适用边界划定
6. 结果反馈记录
7. 错误模式标注
8. 最佳实践提炼
9. 跨任务迁移关联

六类资产库

最终资产存入六类可调用库： - Rules（规则）：直接可执行的判断规则 - Constraints（约束）：边界条件 - Best Practices（最佳实践）：经过验证的有效做法 - Negative Examples（负面案例）：需要避免的错误模式 - Corner Cases（边缘案例）：特殊条件下的处理 - Skills（技能）：可调用的具体操作步骤

四步质量保障

  1. Semantic Alignment（语义对齐）：确保提取内容与原始记录语义一致
  2. Individual Experience Distillation（个体经验蒸馏）：单人记录→结构化经验
  3. Organizational Consolidation（组织整合）：汇聚多人经验，形成组织知识
  4. Cross-Review（交叉评审）：保留来源证据、使用条件及未解决分歧

端到端平台流程

工作记录 + 从业者访谈
       ↓
六要素提取 + 九层认知构建
       ↓
六类资产库（rules / constraints / best practices / negative examples / corner cases / skills）
       ↓
可调用技能打包（显式输入、步骤、依赖、终止条件）
       ↓
Agent 执行 + 评估反馈 → 持续优化

关键实验与数据

数据 值
源文件数量 1,576 份
个体经验记录 23,024 条
组织资产 13,113 项
评估基线（base model） 70.63 / 100
raw corpus RAG 79.75 / 100
KUPAS MASTER Agent 89.58 / 100
提升幅度（vs raw RAG） +9.83 分
七项评分维度 KUPAS MASTER 全部超越 raw corpus RAG
平台处理样本 20 名随机选取的授权从业者
覆盖领域 多专业领域（原文未列具体领域名称）

亮点与局限

亮点

  • 九层认知框架将隐性知识显性化、结构化，是从经验管理到 Agent 可用资产的完整 pipeline
  • 六类资产库的设计让经验不仅能被检索（RAG），更能被直接调用执行（callable skills）
  • 四步质量保障保留了来源可追溯性，解决了 RAG 中经验来源不清的痛点
  • 实验规模较大（1,576 → 23,024 + 13,113），覆盖 20 名授权从业者，有一定代表性
  • 七项评分维度全面超越 raw corpus RAG，说明多维度的经验工程化确实有效
  • 有官方网站（lsf.kupasai.com）和 GitHub 报告页面（tongjiai4e.github.io），方便追溯

局限

  • 评估基准（满分 100）是自定义评分标准，与外部标准（如行业认证）的对应关系原文未明确
  • "多专业领域"具体指哪些领域、是否涵盖高风险决策场景（如医疗、法律）原文未明确
  • 1,576 份源文件具体来自哪些从业者（领域、年限）原文未明确
  • 平台为商业平台（原文注明），大规模商业应用的实际成本效益原文未评估
  • 与其他经验工程方法（如 LangMem）的对比原文未包含

对工程落地的启发

  1. RAG 之上还有一层经验工程：raw corpus RAG（79.75）离结构化经验资产（89.58）还有显著差距，单纯把文档扔进向量数据库不够，需要认知结构化。
  2. 隐性知识提取需要访谈配合记录：仅靠工作记录无法获取"判断依据"，需要交叉访谈补全推理链条。
  3. callable skills > retrieval：将经验打包为有显式输入/步骤/终止条件的技能，比纯检索更能被 Agent 可靠执行。
  4. 组织知识整合是关键壁垒：单人经验有限，跨人交叉验证和组织整合是质量保障的核心，也是商业化差异点。
  5. 六要素可以作为经验采集模板：Context-Cues-Judgment-Action-Boundaries-Outcomes 是通用框架，适用于任何专业领域的经验结构化。

与同方向工作的关系

工作 关系
LangChain LangMem (2025) 类似的记忆管理方向，KUPAS MASTER 更强调经验的结构化提取而非存储
Agentic Context Engineering (ICLR 2026) 将 context 作为自我改进的载体，与本工作的经验工程互补
Co-scientist (Nature 2026) 科学发现场景的 Agent 协作，经验工程可作为其底层能力
Operating advanced scientific instruments with AI agents (npj Comp Mat 2026) 高风险专业场景，KUPAS MASTER 的 callable skills 设计更适配此类场景
UniEvo-VL (2609.38721, 同日) 自进化框架在技能层面的互补——一个提取经验，一个用经验自我提升

本工作与同日提交的 UniEvo-VL 形成互补：KUPAS MASTER 构建可复用的经验资产，UniEvo-VL 让模型学会从自身反馈中进化。

适合谁读

  • 知识管理 / 企业培训负责人：想了解如何将专家经验转化为可复用资产
  • Agent 系统工程师：在 RAG 之外探索经验增强 Agent 能力的路径
  • 专业领域 AI 应用开发者：医疗、法律、金融等需要依赖隐性判断的高价值场景
  • 经验工程研究者：KUPAS MASTER 提供了一个可参考的九层认知框架 + 六类资产库设计
  • Agent 开发者平台产品经理：理解经验资产的商业化潜力与平台架构设计

⚠️ 不确定处

  • 评估满分 100 的具体外部标准对应关系未明确
  • 具体涵盖哪些专业领域未列出
  • 1,576 份源文件从业者的领域分布与年限未披露
  • 与其他经验工程方法（如 LangMem）的对比实验未包含
  • 商业平台的定价与部署成本未公开