NOAN：为AI Agent打造企业"事实层"的新思路

当每个AI都在"各自解读"你的文档

企业内部往往堆积着成千上万份文档，但真正被官方认可的"标准答案"只有一个版本。问题在于，当你把这些文档丢给不同的大模型或AI Agent时，每个模型都会按照自己的方式去理解——定价、产品定位、政策条款、客户信息，可能被解读出多个相互矛盾的版本。

NOAN 在 Product Hunt 上以 171 票、排名第 2 的成绩亮相，它给出的解法是：与其让每个 AI 各自去"猜"文档的意思，不如建立一个统一的事实层（Fact Layer）。

NOAN 产品页面

什么是"事实层"

NOAN 的核心概念是把企业已经批准（approved）的事实——包括定价、市场定位、政策、产品、客户等信息——转化为一个经过验证、带版本管理的单一事实来源（source of truth）。

这里有两个关键词值得拆开看：

验证（Verified）

企业信息之所以混乱，往往是因为没有明确"哪份文档才算数"。NOAN 强调这些事实是经过官方审核和认可的，不是从散落的文档中随机抽取的片段。这意味着 AI 拿到的是被背书过的答案，而非需要自行判断可信度的原始材料。

版本化（Versioned）

企业的定价会调整、政策会更新、产品会迭代。带版本管理意味着事实层能够追踪这些变化，确保所有接入的 AI 拿到的都是当前有效的版本，而不是过时的信息。这对于合规敏感的场景尤其重要。

通过 API 和 MCP 对外供给

NOAN 的分发方式是通过 API 和 MCP（Model Context Protocol） 提供。任何模型、Agent 或应用都可以接入，从同一个来源获取一致的公司事实。

MCP 的加入是一个值得关注的信号。作为近期逐渐普及的上下文协议，MCP 让 AI 应用与外部数据源的连接标准化。NOAN 选择支持 MCP，意味着它可以更顺畅地嵌入到现代 Agent 工作流中，而不需要为每个模型单独做适配。

这种"一次维护、多处复用"的模式，本质上是把企业知识的治理从"文档层"上移到了"事实层"。开发者不再需要担心 A 模型和 B 模型对同一份政策给出不同回答的问题。

MCP（Model Context Protocol）是由 Anthropic 于2024年底提出并开源的标准协议，旨在解决大模型应用与外部数据源、工具之间的连接碎片化问题。在此之前，每个 AI 应用若要接入企业数据库、文件系统或第三方服务，都需要定制化的集成代码，维护成本极高。MCP 将这种连接方式标准化，类似于 USB 接口对硬件外设的统一作用——只要数据源实现了 MCP Server，任何支持 MCP Client 的 AI 应用都能直接接入，无需重复开发。目前 Claude、Cursor、Zed 等主流 AI 工具已陆续支持 MCP，使其逐渐成为 Agent 生态的基础设施层之一。NOAN 选择原生支持 MCP，说明其设计目标是嵌入企业现有的 Agent 工作流，而不是构建一个封闭的私有生态。

它解决的真实痛点

随着企业内部部署的 AI Agent 越来越多，一个隐蔽但严重的问题浮现出来：知识一致性。

设想一家公司同时使用客服机器人、内部知识问答、销售辅助工具，如果它们各自读取原始文档并独立推理，很可能出现客服说的价格和销售报的价格不一致的尴尬局面。这类不一致在传统 RAG（检索增强生成）方案中并不罕见，因为检索到的片段、切分方式、模型理解都可能引入偏差。

NOAN 的思路是在源头上收敛——先把事实固化成结构化、可验证的形态，再分发给下游。这在理念上更接近"企业数据治理"，而不是单纯的向量检索。

RAG（Retrieval-Augmented Generation，检索增强生成）是目前企业知识问答最主流的技术方案：将文档切分成小块并向量化存储，用户提问时检索最相关的片段，再将其作为上下文交给大模型生成回答。这一方案的固有局限在于，"检索到的片段"本质上是对原始文档的统计近似，同一问题可能在不同时间检索到不同段落，模型对片段的理解也因版本和提示词而异。更根本的问题是，RAG 架构并不区分"官方认可的信息"与"过时的草稿"——只要文档在向量库中，都会参与检索竞争。这就是为什么多 Agent 场景下，知识不一致的问题会被急剧放大。NOAN 试图从源头绕过这一困境：不依赖检索的近似性，而是将事实预先结构化并标记为"已验证"，从根本上消除歧义空间。

定位与思考

NOAN 被归类在 API、开发者工具和人工智能领域，目标用户显然是需要构建多 Agent 系统的企业和开发团队。它的价值主张清晰：统一真相来源。

不过从产品成熟度角度，公开信息目前主要停留在概念和定位层面，具体的事实录入流程、验证机制如何运作、与现有知识库的兼容性等细节还需要进一步观察。对于考虑采用的团队来说，事实层能否真正做到"低维护成本 + 高准确性"，将是决定其实用价值的关键。

对整个 AI 工程生态而言，NOAN 代表了一种正在兴起的趋势：随着 Agent 应用规模化，围绕"数据一致性"和"知识治理"的基础设施正变得和模型本身一样重要。