以代理人技術為基礎之知識管理系統架構
A Framework for Agent-based Knowledge Management System
吳昭儀
Chao-Yi Wu
南台科技大學資訊管理系
Department of Information Management
Southern Taiwan University of Technology
摘 要
知識管理是目前廣受矚目的一項研究議題，被視為是影響企業未來競爭力的
重要指標。因此如何建構一有效率的知識管理系統，便成了資訊管理領域的一項
重要任務。人工智慧的諸項方法一直是知識管理相關研究所倚重的一環，而代理
人技術更是結合人工智慧與分散式處理的一種方法。在本研究中，以代理人技術
為基礎建構出一知識管理系統的架構，知識分別以集中與分散方式貯存，並透過
六類代理人(包括知識需求代理人、知識建立代理人、領域學習代理人、知識取
用代理人、知識儲存代理人、最佳化代理人)的協助，以提供知識工作者一個方
便、效率的知識共享環境。此架構不僅考慮到顯性與隱性知識的不同處理需求，
亦完整提供了知識管理工作所需的功能，足可提供未來系統實作時之參考。
關鍵詞：知識管理、代理人
Abstract
Knowledge Management (KM), which will act as one important tool to improve
the performance of business, is a popular issue in literature and applications.
Therefore, how to development an efficient KM system is the vital mission for MIS
researchers. Artificial Intelligence (AI) is one of the useful approaches in KM. Agent
theory provides the capability of AI and distributed system. This study utilizes agent
theory to develop a framework for KM, which takes account of tacit knowledge and
explicit knowledge and covers the main tasks of KM. In the framework, knowledge is
stored centrally and dispersed. The knowledge workers create and share knowledge
with the help of six types of agents, including request agent, creation agent, learning
agent, retrieval agent, storing agent, and optimize agent. This framework provides a
complete structure for future system development.
Keywords: Knowledge Management, Agent
1
1. 前言
在資訊應用領域中，繼企業資源規劃(ERP)、供應鏈管理(SCM)、顧客關係
管理(CRM)等議題之後，知識管理是另一項受到學術界與企業界相當重視的課題
。儘管知識管理並非一項新的議題，但拜資訊科技功能逐漸增強之賜，這個議題
再度找到新的應用領域，並引起廣泛的討論。
人工智慧(Artificial Intelligence)是知識管理應用的重要方法之一，例如：知
識庫系統(Knowledge Base System)、專家系統(Expert System)、代理人(Agent)等
等。本文中將針對代理人應用在知識管理上的一些相關研究，先進行探討與比較
，其後並提出一以代理人技術為基礎的知識管理架構。
以下章節安排方式，在第 2 節中整理了知識的定義與知識管理的主要工作。
第 3 節則探討人工智慧技術在知識管理上的應用，包括知識工程、知識庫系統、
案例系統、類神經網路與代理人技術。第四節則提出一以代理人為基礎的知識管
理架構。第 5 節為結論。
2. 知識管理
知識管理已經有許多的解決方案被提出，儘管這些方法的切入領域有所不同
，但都一致認為知識是企業生存的重要關鍵，而提昇知識共享程度才是效益之所
在，而非儘是擁有知識[1]。因此如何善用各種方法，不論是資訊科技或行為科
學等，最主要的方向均是在如何加強知識的共享。
知識管理領域的大師 Nonaka 提出的 SECI 模式[14]是目前廣被接受的一項理
論(如圖 1)。該模式中將知識分為顯性(Explicit)與隱性(Tacit)兩類。顯性知識是指
可以依某種型式或語言而明確記錄下來者，此類知識比較容易處理、轉化與儲存
，進而達到知識共享。隱性知識則隱存在知識擁有者的身上，不易透過某些型式
表達與記錄而傳達給其他人使用。另外，SECI 模式將知識的創造過程，依據知
識隱性與顯性的特性，區分為四個轉化過程：社會化(Socialization)、外化
(Externalization)、結合化(Combination)與內化(Internalization)，分別代表隱性轉
隱性、隱性轉顯性、顯性轉顯性、顯性轉隱性的過程。此轉化過程亦可視為如何
進行知識萃取，進而達到共享的四個步驗。第一個過程是指隱性知識的共享部份
，從共同的合作經驗中，取得他人無法文字或口語化的知識。從知識萃取的角度
來看，知識工程師可透過此一過程取得專家的隱性知識。第二個過程是將取得的
隱性知識嘗試利用各種方法表達出來，將之顯性化，以方便共享。第三個過程是
結合顯性化後的知識與其他已存在之顯性化知識，以產生更複雜、更系統化的顯
性知識群。第四個過程則是共享的階段，其他知識工作者經由學習顯性知識，而
將隱性知識內化為個人的知識，以便應用的問題的解決或決策的制定之上。
Nonaka et al.還認為這四個過程會呈現一個旋渦式的進行方式，一直持續著，知
識不斷地在隱性、顯性之間轉換、交流，衝擊出包含範圍更廣泛的知識群。
2
而關於知識管理的主要的工作，在文獻中有許多不同的定義。Shin et al.
(2001)提出「知識價值鏈 (Knowledge Value Chain)」的觀念，將知識管理的流程
區分為建立(creation)、儲存(storage)、散播(distribution)與應用(application)，並整
理了幾篇有關知識管理活動的文獻，將不同的活動定義納入其知識價值鏈之中，
包括有 Holzner and Marx (1979)、Pentland (1995)、Nonaka and Takeuchi (1995)、
Demarest (1997)、Daal, Hass and Weggeman (1998)、Davenport, Long and Beers
(1998)、Liebowitz (1999)等人的研究。
此外，Balasubramanian(1999)另認為應包括獲取(Capture)、轉換(Transform)
、分類(Classify)、維護(Maintain)、散播(Disseminate)與啟發(Discover)。Holsapple
and Singh (2001)則提出一「知識鏈模式(The knowledge chain model)」，該模式採
用類似價值鏈(Value chain)的架構，將知識管理的活動區分為主要活動與次要活
動兩類，主要活動包括獲取(Acquisition)、選擇(Selection)、產生(Generation)、內
化(Internalization)與外化(Externalization)，次要活動包括領導(Leadership)、協調
(Coordination)、控制(control)與量測(Measurement)。
Lee and Kim (2001)則提出一知識管理的階段性模式(stage model)，採用類似
Nolan 的企業電腦化階段理論的方法，將組織在邁向知識管理的過程可以區分為
四個階段：起始期(Initiation)、蔓延期(Propogation)、整合期(Integration)與網路化
期(Networking)。但此模式只是作者依據組織的生命週期理論直接提出，並未似
探討企業電腦化過程的研究一樣進行個案觀察，進而分析得來。因此其有效性仍
有待驗證。
3. 知識管理與人工智慧
人工智慧相關技術的應用，是知識管理領域眾多研究方向之一，文獻中已有
相當中的討論，以下將分為三個部份說明。
3.1 知識工程(knowledge engineering)
知識工程中的許多方法，例如訪談、雛形分析、模擬、個人建構理論(Personal
Construct Theory)等，均適用在萃取領域專家的相關知識，以建構出專家系統[6]
。Studer 等人(1998)則探討了許多知識工程(knowledge engineering)的原則與方法
，並認為各項知識工程的方法均可提供知識的萃取(extracting)、模式化(modeling)
、開發(exploiting)等方面之解決方案。而本體論(Ontology)，則可適用在知識元
件的組織化與結構化問題上，以協助使用者搜尋適當的知識[12][16]。
3.2 知識庫系統、案例系統、類神經網路、資料探戡
Hendriks and Vriens (1999)從 1997 年在荷蘭調查的 17 家不同型態組織的知識
庫系統應用情形中，提出應從三個角度來思考知識庫系統(knowledge-based
system)與知識管理的關係：(1)診斷(Diagnosis)：整體知識管理對知識庫系統的關
3
係；(2)開發(Development)：知識庫系統在整體知識管理中的定位；(3)評估
(Evaluation)：知識庫系統對所包含的知識之關係。
Fowler (2000)則認為知識庫系統、案例系統(Case-based system)可以將專家或
知識工作者的知識以適當的格式儲存在知識庫或案例庫之中，是處理顯性知識適
當的工具。但不適合隱性知識，因為二種技術均需將知識以特定型式呈現，而這
也正是最亟待改善之問題所在。Nissen (1999)則建構了 KOPeR 系統，是一套以
知識庫系統為基礎的企業再工程(Reengineering)知識管理系統。
類神經網路(Neural Network)則可以直接從歷史資料中去萃取出不易外化的
資料間關係，知識直接隱含在節點之間的連結中，不需以特定格式呈現，因此適
合應用在隱性知識的處理上[4]。資料探戡技術則適合用來找尋一群資料的趨勢
、關係，甚至推導出更進一步的隱含知識[12]。
3.3 代理人(Agent, 或稱 Intelligent Agent)
代理人系統概念的形成，可以追溯到 1977 年 Carl Hewitt 所發展的 Concurrent
Actor Model，當時其所發展的 Actors 具有 Internal Inference Model，且可以同步
執行系統程式，可以說是代理人的始祖。然而，代理人的概念，其實主要來自於
三個基本的學科理念，亦即控制理論、認知理論與古典人工智慧系統的概念，亦
即其是為了要對環境的變化產生適當反應、認知使用者或社群中其他成員的行為
模式以及進一步規劃、執行、回饋與改善。因此也可視為人工智慧的一項技術。
代理人的定義，可以說它是一種軟體或硬體，可以協助或確實執行使用者對
其所定義的行為與工作任務。而根據其具有的不同特性，可分類為下列五種：
(1) 合作型代理人(Collaborative Agent)：重點強調在協商(negotiation)機制，藉由
協商之後所產生的綜效，來最大化分散式系統的效能。
(2) 界面型代理人(Interface Agent)：主要的訴求在於自主性與學習性，學習的方
式包括 1.對使用者觀察與模仿、2.經由正面或反面的回饋學習、3.直接由使用
者輸入指令規則、4.向其他 Agent 詢問意見。
(3) 行動型代理人(Mobile Agent)：可以經由網路介面，自動到目的地去查詢與搜
集資料，再回到使用者端來執行所交託的工作及任務。
(4) 資訊型代理人(Information/Internet Agent)：偏向於較靜態的 Agent，其主要在
對分散式系統作資料的處理、分析與蒐集，以提供使用者有用的資訊。
(5) 反應型代理人(Reactive Agent)：內部並沒有符號推論之機制，單純的以刺激
與反應來針對環境中的刺激，作出使用者將會表現的反應出來。
(6) 混合型代理人(Hybrid Agent)：整合上述五種代理人的優點，並克服缺點。
Bui and Lee (1999)則提出應從七個向度來分析代理人應具備的功能，包括智
慧程度(Intelligence)、行動力需求(Mobility)、生命期長短(Lifetime)、互動對象
(Interaction)、任務明確度(Task specificity)、主動權(Initiative)、環境穩定度
(Environment)。各特性在規劃代理人功能時可能幅度則如表 1 所示。
4
表 1 代理人特性分析 (資料來源：Bui and Lee, 1999)
特性
幅度(Spectrum)
智慧程度
死板/自動化
推理
規劃
學習
行動力需求
固定位置
生命期長短
暫時性
複製型
永久存在
互動對象
代理人對代理人
代理人對應用程式
代理人對使用者
任務明確度
特定任務
一般性用途
起動方式
推式
拉式
環境穩定度
穩定/安全
猜測/不安全
具行動力
而一般在建構以代理人為基礎的系統之時，通常無法靠單一代理人就可以處
理所有的工作或任務，均需要多個代理人的分工合作方能達到系統目標，因此部
份學者也 Multi-Agent System (MAS)稱呼之[1][9]。
有關代理人技術在知識管理的應用方面，Liebowitz(2001)提出三個方向：知
識的搜尋與擷取(Search and retrieval)、知識的傳播(Distribution)、線上溝通(Online
communication)。搜尋與擷取方面，愛丁堡大學的人工智慧應用機構已經利用代
理人技術成功開發一套自我調適之工作流程(Workflow)系統。傳播方面，代理人
可以主動地傳送/接受資料，而不僅是被動的接受資料、或接受指命令行動。
文獻中實際建構出以代理人技術為基礎的知識管理系統之研究並不多。
Kwon and Lee (2001)利用代理人技術來協助 ERP 系統的維護工作，設計了四類
代理人：
(1) 介面代理人(Interface Agent)：負責與 ERP 系統溝通。
(2) 資料庫監測代理人(DB Monitoring Agent)：負責與資料庫溝通。
(3) 政策代理人(Policy Agent)：保存各項作業政策。
(4) 最佳化代理人(Optimization Agent)：負責找尋最佳化作業方式。
Bui and Lee (1999)提出一套以代理人建構決策支援系統時的發展架構。該架
構是一種二階段方法系統分析/設計的方法，當系統開發人員擬以代理人技術來
建構決策支援系統時，可以遵循著本文的方法，依序分析出所需代理人群、各個
代理人所需具備的能力、代理人間的協調/溝通機制、與工作流程間的配合。第
一階段主要工作在針對所擬處理的工作，分析所需要的代理人及代理人應具備的
能力，可再細分為三個子階段：分析問題/任務、確認所需的代理人、決定代理
人特性。第二階段則在規劃代理人與代理人間的溝通、協調機制，以及與如何與
工作流程(workflow)結合，可再細分為二個子階段：確定代理人對外行為模式、
結合代理人與工作流程。
唯一與代理人與知識管理架構有關的是 Aguirre et al.(2001)的 RICA (Redes
Informaticas de Conocimiento mediante Agents)模式。RICA 模式中使用了二類代理
人：個人代理人(Personal Agent)與伺服器代理人(Server Agent)。個人代理人中定
義了個人資料(User profile)與個人地圖(User map)二項重要資訊，前者是用來選擇
5
與個人相關資訊時之判別所用；後者則是使用者的個人身分識別。每一部門/單
位均擁有一個伺服器代理人，其中包含資料庫、推論引擎、物件管理者、轉接器
(負責對外連繫)。該研究的重點在於如何提昇知識共享的知識網路架構，並未論
及整體知識管理架構的建立。
綜合以上所述，代理人技術是一項知識管理的良好方法，但截至目前而言，
文獻並未有一套完整的架構提出，因此在本文中將建構一以代理人技術為基礎的
知識管理架構，作為系統開發時之參考依據。
4. 以代理人(Agent)為基礎的知識管理架構
欲以代理人技術來建構知識管理的環境，除了應該考慮顯性與隱性知識的不
同特性之外，也應該將知識管理所需處理的主要工作均完整包涵在內，因此本文
所提出之模式將具備解決上述需求的能力，如圖 1 所示。
知識工作者 1
知識工作者 k
知識工作區
知識工作區
知識需求代理人
知識需求代理人
知識建立代理人
......
領域學習代理人
知識建立代理人
領域學習代理人
知識集中區
文件庫
(Document Base)
知識取用代理人
知識儲存代理人
知識庫
(Knowledge Base)
最佳化代理人
案例庫
(Case Base)
圖 1 以代理人為基礎之知識管理系統架構
6
每一位知識工作者均有自己的「知識工作區」，藉由三類的代理人協助其進
行知識管理的工作，包含：知識需求代理人、知識建立代理人、領域學習代理人
。而整個組織環境中則有一「知識集中區」，儲存著來自各知識工作者所累積的
各類知識，另有三類代理人進行必要之管理工作，包括：知識取用代理人、知識
儲存代理人、最佳化代理人。詳細的介紹於以下二節中說明。
4.1 知識的貯存
當一個組織在建構知識管理的環境時，就顯性知識而言，因為可以較容易以
特定型式呈現，例如文件或知識規則，因此應集中在一大型的知識貯存區中，以
方便共享與管理，儲存的位置為文件庫(Document Base)與知識庫。
隱性知識方面，則因不易自知識擁有者身上萃取出來，因此以兩種方式儲存
在架構之中。第一種是以案例方式，將不同案例情況之描述及其因應之作法，儲
存在案例庫(Case Base)中，亦採集中式管理，存放在知識集中區。第二種方式則
儲存在代理人之中，透過具學習性的智慧型代理人，直接模仿、學習知識工作者
的觀念與處理事情的方法。因每位知識工作者之需求與作法會有所差異，因此代
理人是採分散式儲存，分別存放在各知識工作區。
4.2 代理人之定義
本文之架構中共包括了六種代理人：知識需求代理人、知識建立代理人、領
域學習代理人、知識取用代理人、知識儲存代理人、最佳化代理人。前三者屬個
人知識工作區之用，後三者則執行知識集中區之管理活動。各代理人的主要任務
分別說明如下：
(1) 知識需求代理人：
 位在個別的知識工作區。
 負責接受使用者的知識需求，首先自動到知識集中區中與知識取用代理
人溝通，取得所需之知識。
 若搜尋未果，則至各知識工作區中與領域學習代理人溝通，搜尋所需知
識。
 應具備智慧型搜尋功能，適當地變換使用者的需求描述，以提供最詳盡
的可利用知識。亦應具備將取得知識依需求進行分級的功能，以協助使
用者了解各知識與需求之相關程度。
(2) 知識建立代理人：
 位在個別的知識工作區。
 當知識工作者有新知識欲新增至知識集中區時，負責與知識儲存代理人
溝通，將知識轉換為適當的格式儲存在知識集中區的適當位置(文件庫
、知識庫或案例庫)。
 若所欲新增之知識屬隱性知識，則啟動領域學習代理人以記錄、模仿此
次的工作經驗。
7
(3) 領域學習代理人：


位在個別的知識工作區。
針對知識工作者的隱性知識，負責以學習、模仿的方式記錄相關經驗(
包括正面與負面)，以提供未來共享或再利用。
(4) 知識取用代理人：
 位在知識集中區。
 負責與知識需求代理人溝通，依據需求自知識集中區的文件庫、知識庫
或案例庫中搜尋，取得有用之知識。
 應具備雙向溝通機制，與智慧型調整能力。
(5) 知識儲存代理人：
 位在知識集中區。


負責與知識建立代理人溝通，對於欲新增之知識，收集詳細、完備之屬
性資料，儲存至適當的位置(文件庫、知識庫或案例庫)。
應具備雙向溝通機制，與智慧型調整能力。
(6) 最佳化代理人：
 位在知識集中區。
 當所建立的知識數量愈來愈多時，須負責管理知識集中區的所有知識，
確保其以最佳狀態貯存，沒有矛盾、衝突與重覆的狀況發生。
 協調各知識工作區之領域學習代理人，檢查彼此間相同或類似之經驗，
並作適當之調整。
對於上述的六種代理人，分別從其所處理的知識種類、處理工作(根據
Balasubramanian, 1999 之分類)、與 Bui and Lee (1999)所建議七個向度等方面來分
析此六種代理人的特色，整理列示如表 2。
5. 結論
從知識管理相關的文獻中可以發現一個共同點，知識管理是未來企業競爭的
重要利器之一，尤其是愈來愈強調快速反應的全球化市場環境之下。不同領域的
方法均可提供有效的知識管理方法。本篇研究是從人工智慧的代理人技術切入，
試圖著建構出一個以智慧型代理人為基礎的知識管理架構。此架構不僅考慮到顯
性與隱性知識的不同處理需求，亦完整提供了知識管理工作所需的功能。因此本
文所提出之架構可作為未來實際開發知識管理系統時之參考依據。
未來研究則可以依實際系統開發時所擬採用之技術，更進一步規劃詳細之規
格，並實作出系統。另外架構中所提出之部份觀念，在目前的人工智慧技術上或
許尚無法提供解決方案，這則是未來亟須努力的目標。
8
表 2 各代理人之特性分析
代理人
知識需求 知識建立代 領域學習代
代理人
理人
理人
處理的知 顯性/隱性 顯性/隱性
識種類
處理工作
代
理
人
特
性
知識取用
代理人
知識儲存
代理人
最佳化
代理人
隱性
顯性為主/ 顯性為主/ 顯性/隱性
隱性
隱性
維護/散播 轉換/分類/ 轉換/分類/
維護
維護/啟發
散播
獲取/轉換
獲取/轉換/
分類/維護
智慧
推理
規劃
學習
推理
規劃
學習
行動力
行動
行動
固定
固定
固定
行動/固定
生命期
暫時
暫時
永久
複製
複製
永久
互動對
使用者/
代理人
使用者/
代理人
使用者/
代理人
代理人
代理人
代理人
特定
特定
一般性
特定
特定
一般性
推式
推式
拉式
拉式
拉式
推式/拉式
穩定
穩定
猜測
穩定
穩定
猜測
象
任務明
確度
起動方
式
環境穩
定度
6. 參考文獻
1. Aguirre, J.L., Brena, R., and Cantu F.J. (2001). Multiagent-based knowledge
networks. Expert Systems with Applications, 20(1), 65-75.
2. Balasubramanian P., Nochur, K., Henderson J.C., and Millie Kwan M. (1999).
Managing process knowledge for decision support. Decision Support Systems,
27(1-2), 145-162.
3. Bui, T., and Lee, J. (1999). An agent-based framework for building decision
support systems. Decision Support Systems, 25(3), 225-237.
4. Fowler, A. (2000). The role of AI-based technology in support of the knowledge
management value activity cycle. Journal of Strategic Information Systems,
9(2-3), 107-128.
5. Gregor, S., and Benbasat, I. (1999). Explanations from intelligent systems:
theoretical foundations and implications for practice. MIS Quarterly, 23(4),
497-530.
6. Hendriks, P.H.J, and Vriens, D.J. (1999). Knowledge-based sytems and knowledge
9
management: Friends or foes? Information & Management, 35(2), 113-125.
7. Holsapple, C.W., and Joshi, K.D. (2001). Organizational knowledge resources.
Decision Support Systems, 31(1), 39-54.
8. Holsapple, C.W., and Singh M. (2001). The knowledge chain model: activities for
competitiveness. Expert Systems with Applications, 20(1), 77-98.
9. Kwon, O.B., and Lee, J.J. (2001). A multi-agent intelligent system for efficient
ERP maintenance. Expert Systems with Applications, 21(4), 191-202.
10. Lau, H.C.W., Ip, R.W.L., and Chan F.T.S. (2002). A intelligent information
infrastructure to support knowledge discovery. Expert Systems with Applications,
22(1), 1-10.
11. Lee, J.H, and Kim, Y.G. (2001). A stage model of organizational knowledge
management: a latent content analysis. Expert Systems with Applications, 20(4),
299-311.
12. Liebowitz, J. (2001). Knowledge management and its link to artificial intelligence.
Expert Systems with Applications, 20(1), 1-6.
13. Nissen, M.E. (1999). Knowledge-based knowledge management in the
reengineering domain. Decision Support Systems, 27(1-2), 47-65.
14. Nonaka, I, toyama, R., and Konno N. (2000). SECI, Ba and leadership: a unified
model of dynamic knowledge creation. Long Range Planning, 33(1), 5-34.
15. Shin, M., Holden, T., and Schmidt, R.A. (2001). From knowledge theory to
management practice: towards an integrated approach. Information Processing
and Management, 37(2), 335-355.
16. Studer, R., Benjamins, V.R., and Fensel, D. (1998). Knowledge engineering:
principles and methods. Data and Knowledge Engineering, 25(1-2), 161-197.
10