近期，两个政策信号引发了AI行业的关注：

• 政府工作报告首次提出“智能经济新形态”，要求“促进新一代智能终端和智能体加快推广”。报告17次提及“智能”、34次提及“安全”，表明政策从鼓励“技术突破”转向推动“规模应用”与“基础设施建设”并重。

• 中美人工智能高层对话的讨论意向，反映出数据安全、伦理规范已成为全球主要经济体的共同关切。

这些信号指向一个明确的方向：智能经济的发展必须与数据安全同步建设。在此背景下，一种“本地优先”的知识管理技术方案值得探讨。

一、智能体普及带来的数据安全挑战

随着智能体从“回答问题”到“执行任务”演进，它们需要访问用户或企业的私密资料——文档、笔记、研发数据、运营记录，才能完成自动报告、辅助决策等工作。这就产生了根本性问题：

用户的私有知识资产如何在不泄漏、不被滥用、不被用于模型训练的前提下，获得AI能力的加持？

如果所有私密资料都上传至云端大模型，数据泄露、违规使用的风险无法回避。政策鼓励的是安全可控的智能应用，而非以牺牲隐私为代价的野蛮发展。因此，技术上需要一种既能发挥AI能力、又能让用户完全掌控自身数据的产品架构。

二、一种实践方案：本地知识库架构（以 Knota 为例）

在国内已有商业产品尝试解决上述问题，例如容智信息旗下的 Knota（诺达）。其技术思路可以抽象为以下四个设计原则，供同行参考。

1. 知识私有化：数据不离本地

Knota 的设计要求所有文档处理、向量检索、本地数据分析均在用户本地环境执行。即使接入云端大模型（可选），原始文档与向量索引始终存储在用户磁盘上，不会上传至任何服务器。这符合《个人信息保护法》及关键行业数据不出域的要求。

2. 为智能体提供可信的事实地基

智能体需要基于私有知识来完成精确任务。Knota 通过以下技术降低模型幻觉：

• AI笔记：将网页、PDF、公众号文章等碎片内容转化为结构化母数据

• 混合检索引擎：支持毫秒级召回

• 锚点级溯源：每条答案可追溯至原文具体行号

这种设计使得上层智能体可以依据可验证的本地知识库执行操作，而非单纯依赖模型的参数化记忆。

3. 模型中立，避免厂商锁定

Knota 不绑定特定大模型。用户可自由接入 DeepSeek、本地开源模型（如 ChatGLM、Qwen），甚至完全离线使用。本地知识以标准 Markdown 格式保存，便于迁移和长期存档。这种结构避免了对单一模型厂商的技术依赖。

4. 降低智能经济应用门槛

政策要求“促进智能体加快推广”，而实际落地中，个人和中小企业往往缺乏数据治理基础设施。Knota 提供了自动 Wiki、知识巡检、零代码报表、人机协同创作等功能，帮助非技术用户低门槛地管理私有知识库，从而支撑智能体的规模化应用。

三、总结：安全是智能经济的基础设施

智能经济新形态的提出，为 AI 落地带来了产业机遇。而从技术选型角度看，数据安全不应是事后补救，而应是架构的起点。本地知识库 + 模型中立的方案，是满足合规要求、保护数据主权、同时发挥大模型能力的一条可行路径。

Knota 只是这一方向的落地产品之一。技术团队在构建智能体应用时，同样可以参考其核心思路：知识本地存储、溯源可验证、模型可替换。最终目标是让 AI 真正安全、可控地服务于企业或个人。

注：本文提及的产品信息均来自公开资料，不构成任何购买或使用推荐。企业选型请结合自身合规要求与业务场景进行充分测试。