许多团队的问题不是没有知识，而是知识太散。材料存在文件夹、聊天记录、表格、网页、代码仓库和个人笔记里。人可以慢慢找，但 AI 如果没有正确的输入结构，就很难稳定使用这些材料。
这就是 Knowledge Compiler 要解决的问题。它不是简单上传文件，而是把分散材料整理成可检索、可引用、可更新、可复核的知识资产。
文件不等于知识资产
一个文件夹里有很多材料，并不意味着它已经成为 AI 可用知识。AI 需要知道材料是什么类型，哪些内容重要，内容之间有什么关系，哪些信息可以引用，哪些内容过期或需要人工确认，输出时应该如何保留来源。
如果这些结构不存在，模型只能临时读取和猜测。结果可能看起来流畅，但很难被团队长期信任。
编译不是简单上传
Knowledge Compiler 的关键过程包括识别材料类型、抽取可用信息、建立来源关系和维护更新状态。PDF、表格、网页、图片、代码和数据库都有不同结构，不能用同一种方式处理。
标题、章节、表格、数字、实体、时间、关系、注释和引用都需要被整理。一个结论也应该尽量能回到来源位置，方便用户复核。
为什么这对 Workbench 重要
AI Workbench 的基础是知识。如果知识层不稳定，上层的 Agent Runtime、Skills OS 和 Artifact Studio 都会受到影响。
当 Knowledge Compiler 工作得足够好，团队可以减少重复解释背景，让 Agent 围绕材料执行更复杂的工作流，并把高频知识结构沉淀为 Skill。
知识工作不只发生在文本里。图片、截图、表格、网页、代码、会议记录和数据库都可能是任务的一部分。只有先把多模态材料编译成 AI 可用知识资产，Agent 才能更可靠地工作。