说到人工智能技术，人们首先会联想到机器学习、深度学习技术；谈到人工智能应用，人们很可能会马上想起语音助理、自动驾驶和各类会话机器人，各行各业都在研发底层技术和寻求AI场景，却忽略了藏在这些表层技术之下的重要技术——知识工程。

1977年美国斯坦福大学计算机科学家费根鲍姆教授(B.A.Feigenbaum)在第五届国际人工智能会议上提出：“知识工程是人工智能的原理和方法，对那些需要专家知识才能解决的应用难题提供求解的手段。恰当运用专家知识的获取、表达和推理过程的构成与解释，是设计基于知识的系统的重要技术问题。”根据这个定义，我们可以认为知识工程包含了知识获取、知识表示与知识利用三个过程。

关于知识获取，目前有三种方式：非自动知识获取、知识抽取和机器学习知识。非自动知识获取由知识工程师通过阅读有关文献或与领域专家交流，获取原始知识并进行分析、归纳、整理，形成用自然语言表述的知识条目输入到数据库中。知识抽取是对蕴含于文本文献中的知识进行识别、理解、筛选、格式化，把文献的每个知识点抽取出来，以一定形式存入知识库中。机器学习知识通过机器的视觉、听觉等途径，直接感知外部世界，输入自然信息，获取感性和理性知识，或者根据系统运行经验从已有的知识或实例中演绎、归纳出新知识，补充到知识库中。非自动知识获取效率较低，机器学习知识难度太大，而知识抽取是知识获取的最有效方式。关于知识表示，目前知识表示的方法有很多，其中最广为人知的是语义网表示法，是一种重点描述概念之间关系的表示法。知识图谱就是基于语义网表示法构建知识表示模型最为成功的技术案例。关于知识利用，其核心在于在通过知识对新信息进行分析，依据历史经验和环境状态为决策提供方案。

在协同办公场景下，知识工程依据使用者对知识处理三个过程的侧重点不同，会产生不同形式的知识服务。如果办公人员希望获得特定实体在某些领域内的属性和活动，那么知识服务就侧重于知识获取，问题就会集中在如何高效准确的搜集相关领域内的实体信息。例如，在合同签订过程中，法务人员会对合同相对方在法律纠纷、财务状况以及企业信用方面的属性和活动就十分在意，对这方面的知识获取形成了直接需求，在未经加工处理和分析的条件下，这些知识就已经能够在合同管理过程中帮助企业规避风险。

如果办公人员希望快速定位解决某些问题所需的必要条件和相关实体，或者希望由计算机辅助解决这类问题，那么知识服务就侧重于知识表示。例如，办公人员在初次遇到某些事项处理时，最优先的解决方法就是搜索过往处理人或者相关文档。那么由处理事项、处理人和处理文档构成的知识图谱能够快速帮助办公人员理解业务现状和捕获关键知识，效果如下图所示。

如果办公人员需要一个能够协助自己完成某些特定工作意图的机器人办公助手，那么知识服务就侧重于知识利用。例如，办公人员日常需要确认某类公文中相关规定是否发生了变化，新条款是什么之类的问题，又不想自己进行检索与比对，就可以将办公人员这类会话意图固定到知识工程中，利用已经构建好的公文条款知识，对其进行回复，效果如下图所示。

知识工程是传统专家系统在人工智能时代的一种延续。专家经验、关键领域信息、关系数据模型等各种信息载体都能够在知识工程中存储、表示、重组和利用。这使得知识工程在协同办公过程中出现的复杂信息处理、辅助决策以及人机交互等场景都具有较高的应用价值。而决定知识工程在协同办公应用效果的是知识获取成本、知识处理难度和数据开放度，这些制约因素将伴随着各类人工智能企业对垂直行业和精细化场景的深耕而逐渐被忽略，知识工程在协同办公领域的应用前景是光明的。