标准规范推送。标准规范管理功能也可以与项目管理或协同设计平台建立接口，在工程项目的设计输入阶段，在项目管理或协同设计平台通过点选该项目应执行的设计标准和规范目录，标准和规范编号和名称自动写入设计说明的设计依据部分。在设计和审核图纸时，选定的标准规范条文通过浮窗或类似的方式推送到桌面，供设计人员或审图人员查阅，同时，也可将审查出的问题与标准规范条文相关联，用于统计汇总，作为标准规范本身的检视依据。

知识地图。知识有条不紊地存放于知识仓库后，可以通过知识地图工具，建立起以各种事件为线索的关联关系，让和整个事件有关的原先散落在知识仓库的不同“架位”、不同“抽屉”的知识内容串联成一整条知识链，让整件事件所需要的知识点都清晰地组织好，整体地提供给有需求的用户。线索可以是设计阶段、专业、项目类型相关的专有知识等。知识地图的梳理和搭建需要专业的和有经验的人员付出精力，一旦知识地图搭建好，其作用是极其强大和高效的。

隐性知识显性化

当没有信息化手段支撑时，隐性知识显性化需要花费的额外工作量较大，成效又不明显，若没有强烈的责任心或强力的考核或激励手段，一般难于实现。借助信息化技术，借助知识管理工具，则可以在一定程度上让设计人员乐于将自己的隐性知识变成显性的存在。

知识问答。设计人员在日常工作中相互请教或向高阶人士请教的情况非常多，随着通信方式的普及和便捷，在各类即时通讯平台或群组中提问的设计人员越来越多，但一般的即时通讯平台不具备问题分类汇总、存储查询功能，问过和答过的问题不能被重复利用。在知识管理平台构建一个问答功能模块非常必要，通过提问和回答，可以把隐性知识显露出来，并加以分类保存，问题和回答积累多了，可以形成知识库，便于后来者学习借鉴，让知识发挥更大价值。更有价值的是，通过对问题解答的沉积以及对解答的评价，还可以汇总分析出哪些设计人员善于回答问题，或擅长回答哪类问题，也可以得出对设计人员所具备的专长和钻研领域的数据积累。

知识提交与共享。全体设计人员参与知识供献，形成注重知识分享的企业文化，是企业做好知识管理的重要环节。营造共享知识、协同工作的环境氛围，才有可能最大限度地把员工个人的隐性知识发掘出来。为设计人员的知识提交与共享行为提供更便捷、更友好的平台和工具，利用评论、打分、点赞等信息反馈和积分管理机制，增加知识分享的交互性和趣味性，使设计人员在知识分享中获得成就感，从而乐于共享知识内容。设置简洁的知识审核流程，减少提交和共享知识中的环节控制和审批障碍，让知识共享更顺畅。企业内网一般采用实名登录，员工以实名提交共享知识，他们会对提交的知识内容自我审核，加上评论和打分机制，基本可以保证共享知识内容的质量。

寻找和发现隐性知识

即便是成功地利用各种手段实现了一定程度的隐性知识显性化，那也只是针对能够显性化的隐性知识。对于设计院这类知识型企业，其绝大部分的隐性知识其实是水面以下的冰山，其体量数倍于露出水面的部分。而要想找到这部分隐性知识，最简单的办法莫过于找到藏有这些知识的大脑，也就是具备这些知识的人才，并让其发挥出应有的价值。

专家库。每一个设计企业都需要自己的专家库，也需要对自己企业的人才储备情况有清晰的了解，以应对市场的变化，保持核心竞争力。通常的做法是手工建立和维护专家库，定期收集人才业绩，组织评审，认定专家，向公众发布。这样的方式往往在初始评审认定发布后，后期因工作量大而疏于更新，而且，评价和认定只能限于较小的范围，后起之秀脱颖而出比较困难，企业整体人才储备情况就更难于把握了。

随着信息化业务系统的应用，基于数据的专家库系统应运而生，采取的具体做法是，尽可能最大程度地整合各业务系统数据，将来源于人力资源系统的人才信息和来源于各业务系统的各类业务信息（如设计项目、咨询项目、投标项目、科研课题、发表论文、获奖信息等）相关联，实现大数据整合 ；在数据收集的基础上，依据项目复杂程度、重要程度、担当角色、中标及获奖等级等影响因子建立计算模型，作出多维度的客观评价 ；按照人才分类的需要（比如可以按设计项目类型、课题研究类型等维度）对人才进行分类筛选，展现不同分类中的人才状况。

由于所有数据全部来源于人力资源和业务系统，可以做到数据实时更新，因此这样的专家理论上不需要人工维护。当然最终的人才选拔任用可能还需要考虑其他维度的评价。基于数据的专家库系统所提供的动态的客观的评价，当项目或团队需要某类型专家的时候，这个强大的数据平台可供使用，同时企业的人力资源管理部门可以据此了解人才现状和成长趋势，技术质量经营等管理部门可以据此组建精英技术团队以应对市场。对于设计人员个人来说，客观的数据形成的人才评价，给予个人相对公平的脱颖而出的机会，让那些有实力有积累但尚未出现在领导层视野之内的人才不被埋没。

专家问答。专家库与知识问答两项功能相结合，形成了专家问答功能模块。与单纯的知识问答不同，当我们向专家请教时，系统可以自动推送经过筛选的专家的专长领域，这样就实现了向特定的专家请教特定领域问题的功能，也就是向用户推荐他正在寻找的隐性知识所寄存的大脑。

数据的体量和质量。信息化业务系统支撑的知识管理，数据的体量和质量是关键。所谓数据的体量，是指需要业务系统成熟运行一段时间，所有工程项目全部在系统上运行，管理的过程也尽可能全面，也就是说，数据涵盖面是全的，而且数据量具备一定规模。所谓数据质量，是指系统上工程项目运行是严谨认真的，每个过程的数据填写是真实准确的。如设计项目或科研课题立项时的类别选择要准确，项目或课题各阶段填选的属性信息要完整准确，也就是各类标签要贴全贴对，同时，还需要各个数据源头化管理，保证数据的唯一性。当然，这就需要建立一套比较完善的数据信息标准以及知识分类和属性体系。数据信息标准需要落实到相关各个信息化管理系统，同时，分类和属性体系也需要贯彻在业务系统中。业务系统中的数据也需要尽可能地做到结构化。换句话说，业务系统数据的结构化程度越高，后期在知识管理平台上的应用效果就越好。在笔者本人和团队的实践经历中，由于信息化业务系统建立得比较早，当时对知识管理的认知还没有那么清晰，在做知识管理系统时，往往发现业务系统的不足，需要回头再去优化改造业务系统。

以上所提到的知识管理功能模块，必须立足于设计企业信息化建设和运行的基础条件，条件比较成熟的，除了尝试这些应用外，还可以尝试更深入地挖掘知识内容，从信息化走入知识化，然后向智慧化过渡。信息化条件薄弱的企业，可以在信息化建设的起步阶段就引入知识管理的概念，一开始就注重数据的体量和质量，标准和体系在先，系统建设可以高起点出发，后期效果会更理想。