Glean 完整使用教學：把公司散落各處的知識，變成一句話就問得到的答案
新人進公司第一週最常問的問題是「請假流程的文件在哪」，而最常得到的回答是「我找找看」。Glean 想解決的就是這件事。這篇從它到底是什麼、能做什麼開始，一路帶到連接器怎麼設、權限怎麼把關、Agent 怎麼建，以及台灣企業導入時最容易踩的三個坑。
Glean 完整使用教學：把公司散落各處的知識，變成一句話就問得到的答案
星期一早上九點半，台北內湖某家軟體公司的新人打開電腦，想知道報帳要用哪一版表單。他先問了坐隔壁的同事，同事說「應該在 Google Drive 吧」；翻了二十分鐘沒找到，改問 Slack 上的行政，行政丟給他一個 Notion 連結；點開來一看，最後編輯日期是 2023 年。
這個場景在台灣的公司裡每天上演幾百次。企業知識不是不存在，是散在六個系統裡、沒人知道哪一份還算數。Glean 就是衝著這件事來的。
Glean 是什麼
Glean 是企業級的 AI 搜尋與代理平台。它不要求你把文件搬家、也不要求你重寫知識庫——而是透過連接器把公司既有的系統（Google Drive、Slack、Confluence、Jira、Salesforce、GitHub 等）索引起來，建立官方稱為 Enterprise Graph 的企業知識圖譜，然後讓員工用自然語言直接問問題。
它和一般搜尋最大的差別有兩個。第一是「懂你」：同樣搜「Q3 目標」，業務看到的和工程師看到的結果會不一樣，因為它理解你的部門、職務與協作關係。第二是權限即時生效——你搜不到你本來就沒權限看的東西，這是企業導入的底線，也是為什麼很多公司不敢把資料丟進通用 AI 的原因。
官方在 2026 年 5 月推出了 Agent Development Lifecycle（ADLC），把「企業怎麼建置、治理、衡量 AI 代理」變成一套有方法論的框架，這是它從搜尋工具往代理平台演進的關鍵一步。
能做什麼
實際上分三層，建議也照這個順序導入：
- 搜尋（Search）：跨系統的統一搜尋入口，取代「我到底該去哪個系統找」。
- 助理（Assistant）：對話式問答，會給出綜合答案並附上引註來源，可以點回原始文件確認。
- 代理（Agents）：自動化工作流。官方提供 Agent Library 現成範本（依部門分類，涵蓋工程、人資、行銷、業務、客服、IT），也提供 Agent Builder 讓你用自然語言自己組——核心概念是觸發條件、步驟、動作、流程與記憶這五個元素。
官方揭露連接器超過 100 個，並可選用不同的底層大型語言模型。
怎麼用：從零開始的六個步驟
步驟一：盤點你的資料源，但別全部都接
新手最常犯的錯就是「有什麼接什麼」。第一波建議只接三到四個真正的主力系統——通常是文件庫（Google Drive 或 SharePoint）、通訊（Slack 或 Teams）、專案（Jira 或 Notion）。接太多的下場是索引出一堆過期垃圾，員工問一次得到爛答案，就再也不會用第二次了。
步驟二：設定連接器與權限對應
由 IT 管理員在後台建立連接器，需要各系統的管理權限授權。這一步最關鍵的不是接通，是確認權限對應正確。Glean 的設計是執行階段即時比對權限，但前提是來源系統的權限本身要乾淨。如果你們公司的 Google Drive 有一堆「知道連結的人都能看」的檔案，那些東西會變成全公司可搜——導入前務必先做一次權限健檢。
步驟三：等索引跑完，然後自己先用一週
索引需要時間，資料量大的公司可能要幾天。跑完之後別急著全公司公告，先讓 IT 和一小群種子使用者用一週，實際搜十個「你知道正確答案」的問題，檢查它給的答案對不對、引註來源合不合理。
步驟四：從 Agent Library 挑現成範本開始
不要一開始就自己建 Agent。先從官方範本庫挑一兩個和你部門相關的（例如客服的「查詢產品規格」、人資的「回答員工福利問題」），跑起來看看效果。範本的價值在於它已經幫你把觸發條件與步驟設計好了，你只要調整資料來源。
步驟五：用 Agent Builder 建第一個自己的代理
熟悉之後再用自然語言建自己的。建議第一個 Agent 選一個「重複、規則明確、出錯代價低」的任務——例如「每週一整理上週所有 Jira 上被標為 blocker 的問題並摘要」。五個核心概念裡，最容易被忽略的是 memory（記憶）：它決定 Agent 在多輪互動中記得什麼，設定不當會讓對話前後矛盾。
步驟六：看使用數據，砍掉沒人用的東西
導入三個月後，一定要看數據：哪些查詢最多、哪些查詢回答不了、哪個 Agent 根本沒人用。企業 AI 工具最常見的死法不是不好用，是「上線之後沒人回頭檢視」。
進階技巧
寫出好問題比想像中重要。 通用 AI 你可以問得很模糊，但 Glean 是在你公司的資料上搜。與其問「我們的定價策略是什麼」，不如問「2026 年 Q2 之後，企業版方案的折扣核准權限在誰身上」——具體的時間、對象、範圍會讓結果精準很多。
善用引註來源做知識稽核。 當 Glean 給你一個答案並附上三個來源，如果其中兩個是 2023 年的舊文件，那代表你們的知識庫該整理了。這其實是 Glean 一個被低估的用途：它會誠實地暴露出你公司知識管理有多亂。
Agent 要設「不知道就說不知道」的邊界。 建 Agent 時明確指示它在資料不足時回覆「找不到相關資訊，請洽某某部門」，而不是硬掰。這比追求回答率重要得多。
注意事項
- 它不會幫你整理知識。 Glean 是搜尋層，不是知識庫。如果你公司根本沒人寫文件，Glean 搜出來的只會是一堆 Slack 對話碎片。需要的是知識整理的話，Guru 這類有驗證機制的知識庫工具才對題，兩者其實常常並存。
- 權限健檢一定要做在前面。 這點值得再講一次。導入 Glean 之後，原本「藏在資料夾深處所以沒人看到」的敏感檔案會突然變得很好搜。安全性沒有變差，但可見性大幅提高了，這兩件事必須分清楚。
- 成本不低，且屬企業級採購。 官方未公開自助定價，需走銷售流程。中小型團隊要先評估規模效益。
- 中文內容的搜尋品質務必先實測。 台灣公司的內部文件多是中文，混雜英文技術名詞。這個組合的檢索效果和純英文環境有落差，POC 階段就要用真實的中文文件測，別看英文 demo 就簽約。
台灣企業導入的三個常見坑
第一，以為買了工具就解決知識管理。工具解決的是「找得到」，解決不了「沒人寫」。
第二，沒有指定 owner。Glean 需要有人持續看數據、調整連接器、維護 Agent。這件事沒寫進誰的 KPI，半年後就沒人管了。
第三，跳過權限健檢。我看過最尷尬的案例是導入後第二週，員工搜到了不該看到的薪資範圍檔案——那個檔案本來就設錯權限，只是以前沒人找得到而已。
想搭配其他工具規劃工作流的話，可以看看站上的 提示詞範本 與 任務情境。
TheAI學院 評語
我對企業 AI 工具向來很挑，因為這類產品的 demo 都很漂亮、上線都很慘。Glean 讓我覺得比較踏實的是它的定位很誠實——它不假裝能取代知識管理，只說「我幫你找得到」。這個克制反而讓它在實務上站得住腳。
但坦白說，它的價值高度取決於你公司的資料品質。同一套系統裝在文件寫得勤的公司和裝在什麼都用口頭交代的公司，效果會是天差地別。
評語：Glean 是很好的搜尋層，但它照出來的是你公司知識管理的真實樣貌——資料爛，答案就爛。
給台灣讀者的具體建議：導入前先做一次權限健檢，並指定一位明確的負責人。如果你的公司規模在 50 人以下、或內部文件本來就少，先別急著看 Glean，把 Notion AI 這類輕量方案用好可能更划算。真的要導入，POC 階段一定要用中文的真實文件測試，別被英文 demo 的流暢度說服。
資料來源
依公開資訊整理、以官方為準。
常見問題
Glean 和一般的企業搜尋有什麼不同？
兩個關鍵差異：一是它建立企業知識圖譜，理解你的職務、部門與協作關係，所以同一個查詢對不同人會給出不同的結果排序；二是權限在執行階段即時比對，你搜不到本來就沒權限看的內容。傳統的關鍵字搜尋做不到這兩件事。
導入 Glean 需要先把公司文件整理好嗎？
不需要搬家或重寫，這正是它跟知識庫工具最大的差別——它索引你既有的系統。但要有心理準備：資料品質決定答案品質。如果你們公司的文件本來就少、或大量資訊只存在於口頭與私訊，Glean 搜出來的東西不會好看。
台灣公司的中英夾雜文件，Glean 處理得來嗎？
這是台灣導入時最該實測的一塊。台灣企業文件常見的形態是中文敘述加英文技術名詞與產品代號，這種混合語境的檢索效果和純英文環境有落差。強烈建議在 POC 階段就用自家真實的中文文件測試，不要只看廠商的英文展示。
小公司值得用 Glean 嗎？
老實說，50 人以下、文件數量有限的公司通常不划算。Glean 的價值來自「資料多到人找不到」這個前提，資料不夠多的時候，一個整理得好的 Notion 或共用資料夾就夠了。等到跨系統找資料真的成為每天的痛點，再考慮也不遲。
