最新的知识管理程序可以利用自然语言处理（Natural Language Processing）、推理引擎（Inference Engines）和案例自动生成工具（Automated Generation of Case）来解决上述难题。这些工具都是知识发现（Knowledge Discovery Development）学术领域的热点话题。

程序语言对自然语言的理解能力的提高，可以使许多不易体现为“硬性指标”的商业规则也能够由程序所识别和修改。自然语言处理允许输入类似于口语或书面语的信息，同时反馈出有意义的可以直接被应用的答案。在被广泛采用的“模糊查询”功能中，就融合了自然语言处理的成果。

推理引擎的应用原理则包含下面四个基本步骤：

1.匹配（Matching）。匹配将规则库中现有的商业规则与输入的情况进行对比。如对一家汽车修理厂商的客户服务中心来说，后台数据库中已经存储了上千条的汽车发动机故障的表现和原因，那么，当输入“汽车点火不成功”这一信息时，推理引擎首先将这一故障表现与信息库中的数据进行自动匹配。

2.选择（Selection）。所有满足这一条件的规则在这一步骤中被选中。通常，一个特定条件只能发现一个完全匹配的规则的情况也可能发生，但概率较小。

3.激活（Firing）。在所有被选中的规则中，根据匹配程度，系统自动决定激活强度。例如，若客户反映活塞从未更换过，那么由于活塞堵塞导致的点火不成功的规则的激活强度，会比其它规则更大。推理引擎中内含的算法，可以给出一个最接近的规则行为。

4.行动（Action）。根据上面得到的推理结果，可以给出应当进行的操作行动。在上面的例子中，更换活塞可能就是最佳的故障排除方法。

当规则的条件不断增加时，所能给出的结果和行动也就更加具有特殊性，成为一个典型案例。这样的典型案例积累到了一定的程度，成为案例库。自动案例生成系统就是在推理引擎的基础上的扩充。