让公司的文档
能直接回答问题

一、什么资料适合做成知识库

先说结论：资料要「有原文可依」——答案本来就在文档里，只是散、只是难找。这类最适合。如果答案要靠计算、靠汇总、靠人经验判断，那要么上 BI，要么得先做流程沉淀，知识库帮不上。下面五类是我实际见过最容易见效的。

• 售后与技术支持手册——型号参数、故障现象、排查步骤、备件对应关系。客户或一线工程师问「这个型号报 E03 怎么处理」，答案就在手册第 12 页，但没人翻得动 800 页 PDF。
• 合同与商务条款——付款节点、违约条款、质保范围、验收标准。销售和财务最常问的是「这类客户能不能账期 60 天」「质保含不含人工」，答案在几十份历史合同里。
• 投标与资质文件——业绩、资质证书、技术偏离表、类似项目案例。写标书时最耗时的就是翻历史标书找可复用的段落。
• 工艺与质检标准——作业指导书、检验规范、不良判定标准。制造业里这类文档版本多、更新勤，用错版本等于埋事故。
• 内部制度与流程——报销、请假、采购审批、用印流程。HR 和行政每天重复回答的问题，几乎全部落在这一类。

四类不建议做：文档总量少于 100 份且每天在改的（用规范命名 + 搜索更划算）；问的是统计和计算（「今年售后成本多少」该做报表，不是知识库）；知识根本不存在于文档、只在老师傅脑子里（先做知识沉淀，再谈检索）；要求 100% 准确且完全无人复核的对外答复（这个风险不该由 AI 承担）。

二、难的从来不是接个大模型，而是这五层

「把文档丢进去、接个 API」的 demo 半天能跑通。能不能真用，差别全在下面五层——这也是我判断一个知识库项目会不会烂尾的标准。

• 解析——PDF 表格、扫描件、多栏排版、页眉页脚、合并单元格。表格必须按结构解析成「行 + 列 + 表头」，按字符切会把型号和参数劈成两半，那一行数据此后永远检索不到。扫描件要 OCR，中文印刷体够用，手写和盖章遮挡处必须人工抽检。
• 切片——切多大切多小，直接决定召回上限。条款切碎了没上下文，切太大会混进无关内容；正确做法是按文档结构切（章节、条款、表格行），再叠一层小窗口给检索用。这一层的参数没有通用值，只能拿你的真实文档调。
• 检索——只用向量检索，遇到型号、编号、条款号这类精确串会翻车；只用关键词，遇到口语化提问又搜不到。企业场景基本都要向量 + 关键词混合检索 + 重排，再加一层同义词与型号别名词典。
• 回答与出处——答案必须挂原文：哪份文件、哪一页、哪一段。查不到就明确说「资料里没有」，允许它说不知道。一个会编答案的知识库，用两次就没人敢信了——这是它和企业搜索最本质的区别。
• 权限与同步——每个切片带部门标签，检索阶段就过滤，不是查出来再隐藏；文档增删改要走增量同步，删除必须从索引里移除（漏了这一步，作废的旧制度还能被答出来，是这类项目最常见的线上事故）。

三、交付流程（以单部门知识库为例）

• 第 0 周 · 文档盘点：一起过一遍资料清单——有哪些、什么格式、多少份、谁有权看、多久更新一次。这一步决定报价和周期，也常常暴露出「同一个制度有四个版本」这种更该先解决的问题。不收费。
• 第 1 周 · 解析与召回验证：先只做 20~30 份最有代表性的文档，跑通解析和检索，拿 20 个真实问题测召回命中率。命中率不达标就先改解析和切片，不往下堆功能——这是控制风险的关键一步。
• 第 2-3 周 · 检索优化与界面：上混合检索与重排、补同义词与型号词典、加引用展示、做权限过滤和提问日志；前端给一个能直接在电脑和手机上用的界面，不做花架子。
• 第 4 周 · 评测与上线：建 50 题评测集（含查不到的问题，专门测它会不会瞎编），跑出基线分数；部署到你的环境（含内网离线），做增量同步验收，培训与交接。上线后 1 个月免费修 bug。

四、你会拿到什么（交付物清单）

• 完整源码：解析脚本、切片与索引逻辑、检索与问答服务、前端界面，无加密无授权锁，可自行迭代或交他人维护。
• 文档处理说明：哪些文档怎么解析、切片规则是什么、哪些是 OCR 需要人工抽检的——换人接手也能看懂。
• 部署包与脚本：Docker 镜像或离线安装包、向量库初始化脚本、一键重建索引脚本，内网可直接落地。
• 评测集与基线报告：50 道真实问题（含 10 道「资料里确实没有」的），记录召回命中率、答案忠实度与已知失败类型。
• 运维手册：怎么加文档、怎么删文档、怎么重建索引、模型怎么换、常见故障怎么排查、如何回滚。
• 一次培训：使用方学怎么问、IT 学怎么维护，录屏留档。

五、我不接什么

边界写清楚，双方都省时间。

• 不做「喂进去就全懂」的承诺。知识库的上限由你的文档质量决定，文档互相矛盾、版本混乱的，我会先建议做资料治理，而不是硬上系统。
• 不做没有文档的口口相传。没有原文依据的领域，做出来只能靠模型编，那是在制造风险，不是解决问题。
• 不做无人复核的对外自动答复。内部使用可以做，直接对客户答复必须有人工兜底与转人工入口。
• 不做涉密数据出内网的方案。要上就上私有化（见 私有化部署），不接受把内部资料传到公网模型再返回。
• 不做「先做着看看」。没有验收标准的项目最后一定扯皮，我宁愿不接。

六、报价与工期

价格是区间不是固定价，最终按文档量、格式复杂度和权限要求定。含解析工作量大的（大量扫描件、复杂表格），会在诊断后单独估算。

不含发票税点与模型 API 费用。用公有云 API 时 embedding 与问答调用通常每月几十到几百元；走私有化部署则由你的服务器承担，硬件预算见私有化页面。走对公合同，按里程碑付款。

七、五个真实会被踩到的坑

• 把知识库当垃圾桶：不管有用没用、什么版本都往里塞。结果互相矛盾的内容同时被检索到，AI 给出的答案自相打架。入库前必须有一道筛选：谁是有效版本、谁作废。
• 按固定字数切片：合同里一条完整的违约条款被切成两段，前半段被检索到、后半段丢了，答案看起来对但结论反了。要按结构切，不是按长度切。
• 只做向量检索：问「GB/T 19001 里对不合格品怎么规定」这类精确串，向量检索经常召回一堆语义相近但编号不同的段落。必须叠关键词检索。
• 没有引用：用户看不到出处，就不敢用——尤其是法务、财务这类岗位。引用不是加分项，是能不能被采纳的前提。
• 删除不同步：文档删了、索引里还在，三个月后有人问到的还是那份作废制度。增量同步要把删除当成一等公民对待。

常见问题