---
title: "垂域 LLM 知识工程 (Vertical LLM Knowledge Engineering)"
created: 2026-06-14
updated: 2026-06-14
type: concept
tags: [llm-deployment, knowledge-engineering, vertical-domain, engineering-practice]
sources: [raw/articles/qifu-llm-finance-practice-2026.md]
---

# 垂域 LLM 知识工程 (Vertical LLM Knowledge Engineering)

奇富科技王元提出的 LLM 落地核心范式：**"通用大模型 + 高质量知识工程"** 优于盲目预训练垂类大模型。

## 核心论点

在专业领域（如金融），通用大模型的推理能力已经足够强。真正的瓶颈不是模型能力，而是**领域知识的工程化程度**：

- 专业领域数据配合小模型（14B/30B）可以超过通用大模型的 Zero-shot 能力
- 关键是打破数据壁垒，重塑知识引擎
- 实现从通用推理到垂直场景的真正落地

## 知识工程三大支柱

在金融场景中，知识工程包含三个核心环节：

### 1. 知识提取
从零散数据中提取结构化知识：
- [[reer-reverse-knowledge-extraction|REER 逆向知识提炼]] — 从 QA 对中反向提取业务手册
- LLM Wiki 方法 — 参考 Anthropic Captain 的 Markdown+Git 知识库方案

### 2. 知识组织
- Markdown 文档 + 文件系统天然结构
- Git 版本管理
- 大模型上下文能力已经足够强，混合搜索甚至可选

### 3. 知识验证
- Perplexity 下降验证（知识是否有助于推理）
- 端到端任务验证（知识是否提升业务指标）

## 与"盲目预训练"的对比

| 维度 | 通用模型 + 知识工程 | 垂域预训练 |
|------|-------------------|-----------|
| 成本 | 低（仅推理+知识维护） | 高（预训练+持续更新） |
| 灵活性 | 高（知识可热更新） | 低（需重新训练） |
| 可解释性 | 高（知识显式可审计） | 低（隐含在参数中） |
| 知识保鲜 | 文件级更新 | 全量或增量训练 |
| 适合模型规模 | 14B/30B 已足够 | 通常需要更大 |

## 参考

- [[qifu-llm-finance-practice|奇富科技金融 LLM 实践]] — 来源分享
- [[reer-reverse-knowledge-extraction|REER 逆向知识提炼]] — 知识提取方法
- [[zero-data-cold-start|零数据冷启动]] — 知识工程的极端场景