竞品调研 · 2026-08 · 证据分档 A/B/C

知识库正在
白菜化

腾讯 IMA 全功能免费，LKE 改名 ADP 之后 188 元/月就送 100GB 知识库。把「我们有个知识库」当卖点的时代已经结束了。这页拆开腾讯这两个产品、国内外二十多家同类，再逐条对到我们企业大脑的家底上——看清哪些是买得到的、哪些不是。

// 面向产品与技术决策 · 每条数字标注信源与证据档位

LKE 已更名 ADP IMA ¥0 / 月 ADP 企业版 ¥4880 / 月 GLEAN $300M ARR SIERRA $15.8B 估值 COPILOT 试点转化 6% 我方 671 份在库资料
SCROLL / 向下滚动
00
Verdict First

先给结论：它们是上游，不是对手

腾讯 IMA 和 LKE / ADP 都不是我们企业大脑的竞品，它们是我们本可以外采的上游层。它们解决的是「把文档变成能被问答的知识库」；我们真正难的那部分是「把知识变成陌生人私聊里能成交的一句话」——这一层国内外都没有现成产品覆盖。但它们身上有五个东西该抄，其中一个正对着我们已经写进核查报告的缺口。

¥0
IMA 全功能月费——个人知识库 + 共享库 + 知识库广场全部免费
¥0
ADP 专业版月费，含 100 GB 知识库、100 个应用
0/ 5
市面产品能覆盖我们五类料架中的几类——另外三类是买不到的
0处
我们大脑每天被调用的开口数，两条通道共用同一份口径
一句话总括：腾讯这两个产品告诉我们最有价值的一件事是——知识库这层正在快速商品化。所以我们的价值不可能建在「我们有个知识库」上，只能建在「该怎么说话」「遇到这种情况怎么办」「怎么真把话送到客户眼前」这三样买不到的东西上。而恰好这三样，我们都有真实数据在流。
01
Tencent IMA · Personal Knowledge Agent

腾讯 IMA：一个免费的 C 端工具

官方定位「腾讯 AI 知识管家」，搜—读—写三合一。它是 C 端 + 小团队产品，不是企业级平台：官网首页没有企业版入口，也没有对外 API。真正的护城河只有一条——微信生态原生打通。

KNOWLEDGE BASE三层知识库

个人库（本地文件 + 全网检索）· 共享库（团队共建、权限分级、可控查看/编辑/导出）· 知识库广场（公开分享，不占个人存储）。

格式支持 PDF / Word / Markdown / 图片。

KNOWLEDGE AGENT四层结构化记忆

2026 年推出的知识 Agent「copilot」，官方口径的四层是：人设 / 用户档案 / 长期记忆 / 经验技巧，另预装若干 Skills。

强调全场景感知——浏览网页、阅读文档时无需上传即可调用当前内容。

WECHAT NATIVE微信生态打通

与微信读书、公众号、微信收藏原生连通——这是它相对所有对手唯一不可复制的优势，也是它能快速起量的原因。

覆盖手机端与 PC 客户端。

Caveat

媒体口径里的存储额度（个人免费 30G / 50G 两说）与「单库上限 1GB」未能在官网核实，属 C 级二手源；「将开放 API 给第三方开发者」同样只见于媒体转述。对我们的采购结论不受影响：IMA 没有任何采购价值——但它的信息架构，尤其「知识库广场」这个产品化表达，值得在做甲方门户时借鉴。

02
Tencent Cloud LKE → ADP

LKE 已经改名了 —— 本次调研最重要的一条事实

cloud.tencent.com/product/lke 现在直接落到「腾讯云智能体开发平台 ADP」。大模型知识引擎（LKE）作为独立产品名基本退场，被吸收成 ADP 里的一个知识引擎节点。所以别再按「LKE = RAG 知识库」去评估它——它现在是个 Agent 平台。

ENGINES四种引擎并存

Agentic Loop · LLM+RAG · Workflow · Multi-agent。官方定位是「以 AgentOps 为核心的企业原生智能体平台」，面向企业 IT + 运营人员。

RETRIEVAL动态 Agentic RAG

含 GraphRAG 与 OCR / MLLM 复杂文档解析。对我们最有价值的正是解析这一块（见第 07 节）。

GOVERNANCE企业级安全治理

内容审核 + 权限管控 + 操作审计——这是「建管一体」的卖点，也是它跟开源 RAG 框架拉开距离的地方。

CHANNELS渠道与生态

原生接企业微信 / 飞书 / 钉钉 / QQ；4.0 海外版接 LINE / Telegram。官方口径已沉淀 130+ 企业级 Skills。

官方定价四档

腾讯云官方文档口径（A 级源）。年付 9 折，自动续费月付 9.5 折。

版本月付PU 额度 / 月知识库应用数工作空间QPM
免费版¥015,0001 GB501300
Skill Plan¥8889,000不支持—11200
专业版¥188150,000100 GB10031200
企业版¥4,8803,000,0002 TB100010001200
Chart 01 · 四档知识库容量（对数刻度示意）
免费版1 GB1 GB
Skill PlanNOT SUPPORTED—
专业版 ¥188/月100 GB100 GB
企业版 ¥4880/月2 TB2 TB

// 条宽为对数示意，非线性比例。要点是：知识库容量已经不是要花钱买的东西了——188 元/月的档位给的 100 GB，远超绝大多数企业真实的私域文档量。

Read This

ADP 已经把「知识库」降级成一个随套餐附送的组件。这条比任何功能对比都重要：任何以「我们有知识库」为核心卖点的产品定位，在 2026 年都已经不成立了。

03
China Landscape · Three Layers

国内竞品分三层看，别混为一谈

把「知识库 AI」当成一个赛道看会得出错误结论。它实际上是三个卖法完全不同的层：底座平台卖 API 与额度、办公入口卖工位、私域 SCRM 卖成交。只有第三层跟我们正面相撞。

① 底座平台层 · 跟 ADP 正面打

  • 阿里百炼 — 通义底座 + 钉钉生态，中文 RAG 扎实；工作流编排偏工程师思维，协作绑死钉钉组织架构
  • 字节扣子 Coze — 插件生态最强（抖音 / 小红书 / 飞书原生），但知识库能力弱、不能私有化。对我们反而最值得看：唯一原生连抖音的
  • 百度千帆 · 腾讯元器 — 同类
  • Dify — 开源，编排最均衡
  • RAGFlow — 开源，深度文档理解最强（复杂版式 / 公式 / 表格）
  • FastGPT — 开源可私有化，知识库强，能直连飞书知识库免导入

② 办公入口层 · 不卖 API，卖工位

  • 飞书 — 知识问答做细粒度权限的「千人千面」；Aily 智能体平台；开放多模型（豆包 + 百川 / 智谱 / MiniMax）
  • 钉钉 — 2026-03 发「悟空」企业级 AI 原生工作平台，主打跨系统动手执行（对比飞书偏信息加工）
  • 企业微信自身 AI — 与 ADP 同属腾讯，渠道天然打通

// 这一层的商业模型是「先卖工位再送 AI」，不会单独把能力卖给我们

③ 私域 SCRM 层 · 真正的竞争面

  • 微盛 · 企微管家 — 宣称行业首个合规企微 AI 聊天 Agent，多模型适配
  • 微伴 — 宣称行业首个过合规检测，按行业监管规则自动审核会话合规、可告警甚至拦截
  • 句子互动 · 探迹 等

// 厂商自述的「行业首个 / 效率 +300%」是 D 级营销口径，别当论据

Direct Overlap

注意第三层里的「合规拦截」——微伴那套会话内容闸，功能位置正好等于我们企微通道现在没有的 gateDraft。抖音通道有草稿护栏 + 完整转人工流水线，企微目前是裸通路：模型出什么就发什么。这是竞品已交付、我们还缺的一块。

04
Global Landscape · Three Races

海外分三个赛道，别只看第一个

海外把「企业搜索」「客服 Agent」「主动外呼」拆成了三个各自成立的赛道，估值与商业模型都不一样。离我们最近的是第三个，而它恰恰是死亡率最高的那个。

RACE A · ENTERPRISE SEARCH企业搜索 / 知识入口

Glean — 厂商中立连接器 + 权限感知知识图谱，跨 SaaS 最全。Microsoft 365 Copilot — 微软栈内最深。Gemini Enterprise — 锁死 Google 生态。

其余：ChatGPT Enterprise、Notion AI、Dust、Onyx、Guru。

对标 IMA + ADP 的知识那半边

RACE B · CX AGENTS客服 Agent

Sierra（Agent OS，护栏 + 语音一等公民）· Decagon（Agent Operating Procedures + 防篡改审计日志）· Intercom Fin（按解决结果计费）· Cresta · Ada。

2026 年这一层集体转向按结果计费：Fin $0.99/解决，Sierra ≈$1.50/已解决交互。

对标我们的「AI 对客说话」

RACE C · AI SDR主动外呼 · 最接近我们

11x（Alice）· Artisan（Ava） — 全自动外呼；Regie.ai — 偏 copilot 的人机混合。

行业里广泛流传的一组数字：AI SDR 部署 12 个月内流失 50–70%、能活过第一年的只有 2%。厂商博客口径，C 级证据，但方向值得当警钟。

对标我们的抖音 DM 一触 / 二触
Chart 02 · 海外同类公司 ARR（百万美元）
GleanENTERPRISE SEARCH$300M
SierraCX AGENT$150M
DecagonCX AGENT$35M

// Glean $7.2B 估值 ≈ 24× 收入；Sierra $15.8B 估值对 $150M ARR ≈ 100×。同一年，同一批投资人，估值倍数差 4 倍——市场在为「会动手」而不是「会回答」付溢价。

Chart 03 · 单座席月费（美元）
Gemini Enterprise+ 超量计费$21
M365 CopilotADD-ON$30
Glean估算 · 约 100 座起≈$50

// Glean 不公开报价，$50 是买方反馈的估算值（B 级），且需另加 AI 加购包。国内 ADP 企业版 ¥4880/月 ≈ 5.3 万/年，不按座席计费——这是中外定价逻辑的根本差异。

Chart 04 · 卖出去 ≠ 用起来：采纳与效果实测
Fin 平均解决率12,000 客户口径76%
Fin（受控评测）SAME BENCHMARK73%
Decagon（同一评测）SAME BENCHMARK49%
M365 Copilot 日活占比OF PURCHASED SEATS≈30%
Copilot 试点 → 规模化PILOT TO SCALE6%
M365 订阅 → Copilot 许可15M OF 450M3.3%

// 微软有 1.5 亿 Copilot 座席，却只有约三成日活、6% 的试点走到规模化部署。这组数字是整页最该记住的一组——企业 AI 的真实瓶颈从来不是模型能力，是「买了之后没人真的天天用」。任何我们做给甲方的东西，验收口径都该是被调用了多少次，而不是上线了没有。

05
Our Own Stack · What's Actually In There

我们的家底：五个料架，671 份

对比之前先把自己的底盘摊开。企业大脑里装的不是一个「知识库」，是五类性质完全不同的东西——有的是「我们家的事实」，有的是「该怎么说话」，有的是「遇到这种情况怎么办」。它们的上传方式、审核要求、被调用的时机全都不一样。

0
在库资料总数
67 + 206 + 36 + 362
0万字
可被检索的正文内容
0段
行业素材切块，向量覆盖 100%
0处
AI 开口时会翻料的调用点
0/ 40
决策规则水位——已接近硬上限

五个料架 · 以及市面产品能覆盖哪几个

最后一列是本次调研的核心判断：文档型 RAG 承载不了「怎么说话」和「怎么决策」。

料架装的是什么规模注入上限市面产品覆盖
① 品牌档案我们是谁 — 品类 / 卖点 / 常见问答 / 简介，每个客户一份 1 份全量注入，不筛选✓ 有
≈ system prompt
② 产品知识我们家的事实 — 报价口径 / 流程 / 门店清单，全部人工录入 67 条按相关度排队，塞满 1500 字✓ 有
这就是他们说的「知识库」
③ 金牌问答该怎么说话 — 优秀销售当时怎么接的一问一答范例 206 条全量参选 → 挑 3 条进 prompt✗ 没有
文档型 RAG 承载不了
④ 决策规则遇到这种情况怎么办 — 每条含「建议怎么做」+「千万别怎么做」 36 条 · 35 启用最多载入 40 条△ 接近
只有 Decagon 的 AOP
⑤ 行业素材装修常识库 — 客户问「承重墙能不能拆」这类跟产品无关的专业问题 362 份 / 2987 段900 字 · 最多 4 段 · 相似度 < 0.5 一段不给✓ 有
标准 RAG
Chart 05 · 362 份行业素材的真实可用度
第三方 · 已读进正文AI 可引用具体段落203 份
自家原创约 60 份可转长图外发48 份
别家报价单刻意不读 · 防引用竞品价格72 份
扫描件 · 无文字层OCR 能救回来的21 份
图片型表格等ETC18 份

// 「传进去了」不等于「AI 真能用」。只有走完正文抽取的 203 份，AI 才能引用里面的具体内容；其余只留一句话摘要，客户问到时 AI 只能回「这份文件里有」，等于没答。琥珀那条 21 份扫描件是外采能直接解决的——见第 07 节 T3。

一份资料从上传到被 AI 用上，要过七道

01
上传/录入 三个入口，都只收文字：后台直接写 / 上传真实成交对话让 AI 拆 / 运营在标注台点赞的回复直接搬进话术库 缺口：文件与图片都没有网页上传口，PDF 靠工程本机跑脚本灌
02
口径体检 红线闸 — 入库前自动查有没有违反公司硬口径（比如有人写「定金全额无息退」这种公司根本没有的政策），直接拦下并 @ 相关人说清该改成什么
03
入库 文字类到这一步就齐活了 — 下一次对话就能用上，不需要等
04
抽正文+切块 文件类才走。按 400 字一段切开，段间留 80 字重叠防止把一句话切断。抽不出字的（扫描件 / 图多字少 / 加密）被跳过，只留一句话摘要 这一步决定资料到底能不能用 —— 111 份卡在这里
05
向量化 每段转成 512 个数字代表它的意思（bge-small-zh-v1.5，自建在 Fly worker 上）。目前 362 份 + 2987 段覆盖率 100%
06
待命 文字类每次对话都被扫一遍按相关度排队；文件类要客户问到足够像的问题才会被捞出来
07
被用到 系统其实记录了每次 AI 回复翻了哪几份资料（每条调用都留了资料 id） 已接上界面：可看「近 7 天用了几次」——长期 0 次的资料要么该删、要么该改标题

// 对比市面产品的三步（上传 → 切块 → 检索）：多出来的 02 口径体检、07 调用回看，才是「对客说话」这件事逼出来的。

06
The Three Dividing Lines

跟它们的本质区别，只有三条

功能清单能列一百条，但真正的差异只有三条轴。第一条决定了其余一切。

企业大脑 CLOSED LOOP 01 资料入库 INGEST 02 检索 + 生成 RETRIEVE 03 真实触达 EXECUTE 04 语料回流 FEEDBACK
青 = 市面产品也覆盖这一环 玫红 = 市面产品普遍没有

AXIS 1 · PULL vs PUSH谁先开口

IMA / ADP / Glean / 飞书全是「人主动问 AI」。答不上来可以说「我不知道」，代价只是体验差。

我们是「AI 主动对陌生客户开口」。说错一句 = 对客事故 + 可能封号。所以我们才需要草稿护栏、报价口径三处同改、门店清单永不参与相关度排序——挤掉一次，AI 就可能编个门店地址出来。

这些约束在 pull 型产品的设计里根本不存在。

AXIS 2 · KNOWLEDGE SHAPE知识的形态

他们的知识 = 文档（事实）。我们的知识分五类，其中金牌问答（怎么说话）、决策规则（怎么决策）、人设这三类，文档型 RAG 根本承载不了。

它们的来路是真实成交语料 + 甲方标注回流（标注台 → 话术库），不是买得到的。这就是飞轮图里 04 那一环。

AXIS 3 · DELIVERY交付的终点

他们交付到一个 bot 对话框。

我们交付到抖音 / 企微的真实客户会话，后面还挂着真机与云电脑的 GUI 执行层、发图触发词、人工审核，以及「HTTP 200 不等于送达」这类只有真发过才知道的坑。

执行层是他们完全没有的。

Why It Matters

把这三条轴合起来看：市面产品做的是飞轮的上半圈，我们多做了下半圈。上半圈正在白菜化（¥188/月给 100GB），下半圈没有人卖——这既是我们的护城河，也是我们必须自己承担全部工程成本的原因。

07
What To Steal · Ranked By Feasibility

五条该抄的，按可执行性排序

调研的价值不在「知道别人做了什么」，在「找到我们能马上照做的那几条」。下面每条都标了对应我们哪个已知缺口。

T1

GLEAN · PERMISSION-AWARE RETRIEVAL把「能不能发给客户」下沉到检索层

Glean 的核心工程是：爬取时对每个条目同时抓内容与 ACL，回答问题时先召回、再按权限过滤，只把 pre-filtered 的安全内容交给 LLM。安全由架构强制，不交给模型判断。

对到我们：362 份里只有约 60 份能合规外发（其余是第三方版权长文、别家报价单、给师傅看的施工工艺），但库里目前没有「能不能发给客户」这个字段——这条已经写在我们自己的核查报告里，标着「需要新增一个字段」。

怎么做：给资料表加 distribution_scope（internal_only / client_shareable / third_party_copyright），检索链路直接按它过滤，而不是检索完在界面上标一个标签靠人记得别发。

ROI 最高 · 补的是会出事的口子
T2

DECAGON · AGENT OPERATING PROCEDURES治决策规则的 35/40 天花板

Decagon 的 AOP 是用自然语言写工作流、编译成受校验的流程：业务方用自然语言定义行为，工程方并行开发底层集成，关键校验步骤仍用代码执行以保证退款/身份核验这类敏感动作的安全。

对到我们：决策规则已用到 35/40，「再加要先关旧的」。根因是现在全局配额、按置信度取前 40 条——这是个硬天花板。

怎么做：改成按「阶段 × 意图域」分域激活（破冰域 / 报价域 / 到店域各有独立配额），天花板从 40 变成 40×N，而且单次注入的 token 反而更少。

解一个已经顶到的硬约束
T3

ADP / RAGFLOW · DOCUMENT PARSING用 OCR 救回那 21 份扫描件

ADP 的 OCR + MLLM 复杂文档解析、RAGFlow 的深度文档理解（复杂版式 / 公式 / 表格），干的正是把「没有文字层的 PDF」变成可检索正文这件事。

对到我们：314 份第三方资料里 111 份只有一句话摘要，其中 21 份是扫描件 PDF（没有文字层）。见 Chart 05 的琥珀条。

怎么做：不需要买整套平台，单点接一个 OCR / 文档解析 API 把这 21 份抽出正文即可。⚠️ 另 72 份别家报价单是刻意不读的，别顺手一起解析了。

低垂果实 · 成本可控
T4

INTERCOM FIN · OUTCOME PRICING按结果计费 + 公开解决率

Fin 公布单一的 $0.99 / 解决 与跨 12,000 客户的平均解决率（76%，且宣称每月还在 +1%）。整个客服 Agent 赛道 2026 年集体转向按结果计费。

对到我们：我们缺一个单一、可验证的北极星指标。现有漏斗口径内外两套（对甲方那套更严），这在商业化谈判里是减分项。

参考 Fin 把「解决率」做成可审计的公开数字，是个差异点——尤其配上第 04 节那组「买了没人用」的行业背景。

T5

IMA · 知识库广场 / ADP · SKILL 市场把「共享资产」讲出来

IMA 的知识库广场、ADP 的 130+ Skills 市场，本质都是多租户资产复用的产品化表达。

对到我们：我们其实已经是这个结构了——品牌档案每客户一份、362 份行业库全客户共享。只是没在甲方门户上把它讲出来。

「你买的不只是你自己传的料，还有我们攒的 362 份行业库、2987 段可检索内容」——这句话现在是免费的价值感。

08
Boundaries & Evidence Grading

不建议做的，以及每条数字的成色

✗ 不建议采购 ADP 企业版

  • ¥4880/月 ≈ 5.3 万/年
  • 我们的 chatReply 内核 + Langfuse 追踪 + 红蓝风洞已自建
  • 换 ADP 意味着重写检索层，且失去对 prompt 的逐字控制——而我们的护栏恰恰是逐字级的（报价口径要正文/示例/护栏三处同改）
  • 唯一值得考虑的场景：未来给甲方做「自助搭知识库」白牌产品时，ADP 免费版可当 PoC 底座

✗ 不要往全自动 AI SDR 收敛

  • 海外那批 12 个月流失 50–70%，死因正是我们靠人工审核 + 语料回流在避免的事
  • 我们的人机协同不是「还没自动化完」，它是产品形态本身
  • Regie.ai 这种偏 copilot 的混合形态，反而是海外验证过更能活的那一档

△ IMA 不用碰，但有一处该学

  • 纯 C 端工具，无采购价值
  • 值得学的是它的信息架构与「知识库广场」的产品化表达（见 T5）
  • 它的四层记忆（人设 / 用户档案 / 长期记忆 / 经验技巧）我们其实都有对应实现，不必照搬

证据分档

档位本页哪些内容属于这一档信源
A 级 · 官方 ADP 四档定价与配额、ADP 产品定位与四引擎、LKE→ADP 更名、IMA 官网功能与「无企业版入口」 腾讯云官方文档 · 腾讯云产品页 · ima.qq.com
A 级 · 内部实测 我方全部数字（671 / 114 万字 / 2987 段 / 9 处调用点 / 35 of 40 / 203+111 拆分 / 七步生命周期 / 各类注入上限） 2026-07-31 直连生产库核查报告
B 级 · 多点 ADP 4.0 细节与 130+ Skills、Glean/Copilot/Gemini 座席价与采纳率、Glean ACL 机制、Decagon AOP 机制、Glean/Sierra/Decagon ARR 与估值 腾讯云开发者社区 · 厂商官方博客 · 多家第三方评测
C 级 · 单点 Fin vs Decagon 受控评测的 73%/49%、Glean ≈$50/座席估算、IMA 存储额度与「将开放 API」 单一第三方博客 · 买方口述 · 媒体转述
D 级 · 营销 AI SDR「12 个月流失 50–70% / 存活 2%」、国内 SCRM 厂商的「行业首个」「效率 +300%」 厂商自述 · 供应商博客 —— 不可作为论据
写在最后：这份调研最反直觉的一条不是「腾讯做了什么」，是那组微软自己的数字——1.5 亿 Copilot 座席、约三成日活、6% 的试点走到规模化。全世界最会卖软件的公司，把最强的 AI 塞进最普及的办公套件，结果依然是这样。它说明企业 AI 的胜负手不在能力，在「有没有真的被用起来」。对我们的直接含义是：与其去追一个正在白菜化的知识库，不如把力气花在把飞轮下半圈——真实触达与语料回流——做成别人抄不走的东西。