FDE经验沉淀方法论：如何构建可复用的智能体本体层

在企业级AI智能体项目中，团队常常面临一个共同的困境：项目做完之后，经验却没有真正留下来。很多FDE团队将经验沉淀简单理解为写几个Skill，但实际上Skill只是沉淀体系中的一层。如果任务定义、对象关联、权限控制和审计机制这些核心要素没有被结构化地表达出来，换到下一个客户时，团队仍然需要从零开始理解业务逻辑。本文提出一套系统的经验沉淀方法论，帮助团队从业务通用性和沉淀形态两个维度构建完整的本体层，让每一个项目的积累都能成为未来项目的基石。

业务通用性分层：通用、行业与企业特性

经验沉淀的第一条主线是明确业务经验的通用程度。以汽车配件生产制造行业的任务跟进系统为例，可以清晰地划分为三个层次。最底层是通用能力，这类能力不区分行业，任务有负责人、有状态、有进度，会经历开启、推进、结束的完整生命周期。再往上一层是行业能力，某个行业的业务特殊性需要被单独提炼，比如汽车行业的任务跟进会涉及特定的典型角色、节点和协作关系。最顶层是企业特性，某家企业独特的组织结构、系统字段、审批习惯和业务参数不应该被直接封装为通用能力。一个关键的判断标准是：只有当某条规则在三家同类企业中出现时，才能将其视为行业通用能力，否则仍属于企业实例层面。

沉淀形态分层：从概念到智能体的演进

第二条主线关注经验被沉淀为什么形态。同一条业务经验可以按照成熟度逐步演进。概念层是起点，需要明确任务、进度、状态等基本业务语言的定义，这些内容可以先以文档或半结构化表格的形式存在，让团队形成统一的业务语言体系。结构化层则要求将业务概念转化为实体和关系模型，定义任务有哪些属性、属性之间如何关联、状态如何流转、谁能修改什么。原子能力层封装基本的读写操作，这些能力可以封装为传统API，也可以包装成供AI系统调用的MCP。最后才是Skill层，将重复出现的业务流程标准化封装，而多个Skill的编排则形成更高层次的智能体。

双维度结合的实践判断框架

在真实项目中，两条主线必须交叉使用才能做出正确的沉淀决策。如果只按文档、API、Skill、智能体的形态清单逐层建设，团队可能会把一条客户专属的审批规则包装得很漂亮，却没有意识到它根本不值得跨客户复用。反之，如果只知道某条规则在行业里常见，却没有将其继续沉淀为结构、原子能力和流程，团队下次仍然只能从零开发。因此每个项目结束后，团队需要回答两个核心问题：这条经验属于跨行业通用、行业通用还是企业特有的范畴？它目前只是知识表达，还是已经值得沉淀为结构化模型、原子能力、Skill甚至智能体？这两个维度的交叉判断，才是真正的本体层建设方法论。

本体层构建的务实路径与价值

本体层的构建不是一蹴而就的大工程，而是一个渐进演化的过程。更为务实的路径是从真实项目中提炼概念和规则，将重复出现的部分逐步抽象为结构和能力。当同类客户积累到一定数量，复用场景被多次验证之后，行业模板自然会沉淀出来。在这个过程中，权限和审计机制需要横向贯穿始终，无论是API、MCP、Skill还是智能体，只要涉及真实的业务操作，就必须明确调用权限、操作记录和追溯机制。这套方法论的价值在于，它帮助团队从被动响应需求转向主动建设能力，让每个项目都成为能力资产积累的一部分，而不是单纯的人力消耗。

本体层的成熟度决定了智能体项目的可复制性和规模化能力。通过业务通用性和沉淀形态的双维度分层，团队能够清晰地判断每一条经验应该沉淀为什么形态、沉淀到哪个层级，从而实现真正的能力复用而非简单的文档堆砌。