我给 AI 接了微信读书之后，它做出来的视频变了。后来才意识到，AI 能否真的能做成一些事，和我们能否一起处理不同类型的“不知道”有关。

再泛化些，企业内部的知识应用又何尝不是这样。

本文就基于Rumsfeld 的 known-unknowns的模型好好聊聊这几种不知道。

李简

1. 从手搓视频开始讲起

Image2 和 Seedance2.0 出来之后，我一直在手搓各种不同的 AI 视频生产的工作流，尝试做一些探索和生成。作为一个视频剪辑和生产的纯小白，从头开始摸索，所以工作流最初是最原始的 text to video，紧接着是 学会用 Storyboard 然后请求视频生成，再去琢磨 Seedance 的接口调用逻辑，慢慢的，开始熟悉视频生产制作的逻辑。

最开始的生成的视频，借助 AI 的力量，光影、构图、质感都不差，单看每一帧，已经像一条不错的 AI 视频。但它没在讲故事。

后来我找了一个外挂，有了外挂之后，镜头开始跟着人走。人物从远处出现，走近一扇门，停顿，犹豫，然后推开。就这么一个动作，你能感觉到她的局促。

我只是很简单的给它接了一个微信读书的 skill，让它先去读书。

我让它琢磨分镜、镜头语言、故事推进，它就去翻导演、剪辑、分镜、故事结构相关的书。

后来它开始问：人物在什么情绪里？她想逃离什么？她要靠近什么？镜头是旁观她，还是跟随她？

镜头开始有了动线。

它会安排人物从远到近，从迟疑到行动，从封闭空间走向开阔。它不再只给我一张张空镜，而是在安排一个情绪变化的过程。

就这样，AI 生成的内容，明显高了一个维度。

这件小事，让我重新理解了知识库。以前我觉得，给 AI 接知识库，就是多挂一个资料源。模型不知道的时候查一下。用户问政策的时候找一下。资料太多的时候检索一下。

这当然没错，但只说到了一半。

知识库更重要的作用，不只是让 AI 查资料，而是改变它进入任务时的上下文。一个什么都没读过的 AI，也许能写出流畅的句子，但很难写出真正懂行的东西。

2. 人和 AI 的协作，可以分成四种

后来我发现，这件事不只发生在做视频里。它其实可以解释很多人和 AI 协作时的差异。

第一种，是“我知道我知道”。我知道自己要什么，也知道答案大概应该长什么样。比如改标题、整理文案、生成表格、按固定格式写邮件。

这时候 AI 最适合做执行和放大。人给目标、标准和约束，AI 负责快速生成、改写、扩展。这里拼的是效率。

第二种，是“我知道我不知道”。我知道自己缺什么，但不知道答案。比如我知道自己不懂分镜，不懂镜头语言，不知道一个故事怎么从画面上推进。这时候 AI 最适合做检索、补课和整理。

我这次接微信读书 skill，本质上就是这种协作。我知道自己不懂，所以让 AI 去读相关的书，把那些被大量读者标记过的重点带回来。这里拼的不是生成能力，而是补课能力。

第三种，是“我不知道我知道”。有些东西我其实做过，也有判断，但没有被我清楚地说出来。比如一个产品经理做过很多项目，心里知道哪些需求靠谱、哪些指标危险、哪些话是老板真正关心的。但这些经验往往散在脑子里，没有变成方法、文档和规则。这时候 AI 的价值，是通过提问、复盘和结构化，把人的隐性经验挖出来。

它不一定比你懂业务，但它可以逼你把“我隐约知道的东西”说清楚。

第四种，是“我不知道我不知道”。这是最容易被低估的一种。你不知道自己缺什么，甚至不知道还有这个方向。比如我一开始只是想让 AI 帮我做一个更好的视频。但它从《怦然心动》相关内容里翻出一个画面：一个小女孩爬上一棵很高的树，在树顶第一次看见完整的世界和夕阳。

这不是我提前想到的选题，但它天然就是一个视频结构。一次向上的攀爬，从低处到高处，从被遮挡到看见世界，从局促到开阔。后来那条片子，成了我自己最喜欢的一条。

这就是“我不知道我不知道”的价值。AI 借助外部知识、他人划线、书里的案例和人类已经沉淀过的经验，把一个我原本没意识到的方向，带到了我面前。

知识库不只是让 AI 回答你知道要问的问题。更重要的是，它可能让 AI 带你看到你本来不会问的问题。

3. 企业 Agent 真正难的，也在这四种协作里

想明白这一点之后，我再看企业里的 AI Agent，感受就完全不一样了。很多企业做 Agent，一开始都会把问题理解成：怎么让 AI 答得更准？

但更底层的问题其实是：它到底在帮人处理哪一种“不知道”？

如果是“我知道我知道”，AI 做的是效率工具。比如固定格式的材料生成、会议纪要、日报周报、标准问答。这里最重要的是模板、流程和稳定性。

如果是“我知道我不知道”，AI 做的是检索和补课工具。比如员工问政策、业务问指标口径、管理者查历史报告。这里最重要的是知识覆盖、召回准确和出处可信。

如果是“我不知道我知道”，AI 做的是经验提炼工具。比如把优秀员工的经验、历史项目复盘、业务专家的判断，沉淀成可以复用的方法。这里最重要的是访谈、抽取、结构化和持续更新。

如果是“我不知道我不知道”，AI 才真正开始变得像一个助手。它不只是回答问题，而是帮人发现问题。

拿企业数据问答举例。

我自己做这类产品时，越来越明显地感觉到：真正难的，很多时候不是让 AI 写 SQL。

SQL 反而是相对清楚的那部分。

更难的是，它得知道这家公司内部到底怎么定义一个指标：什么口径能用，什么口径不能混，什么问题应该先按组织拆，什么问题应该先按人群拆，哪些数字不能看到一个值就下结论。

通用模型知道什么叫活跃用户、什么叫留存、什么叫转化率。

但它不知道你这家公司怎么定义这些词。

它也不知道过去业务怎么解释这些数字，不知道哪些口径曾经被反复争论过，哪些坑以前踩过。

这些东西不在模型里，只在一个组织自己的历史里。

所以一个企业数据 Agent，只会调 SQL、会画图，它顶多是个查询工具。

但如果它读过业务口径、指标定义、历史专题报告、过去的复盘，它才可能开始知道：一个问题该拆成哪些维度，哪些异常值得追，哪些结论不能轻易下。

这才是企业知识库真正值钱的地方。它是一个组织的经验、口径、判断标准和历史教训。