企业 AI 知识库从零搭建：我们把资料治理这一步拆开讲了

很多企业上 AI 项目，第一步就是选平台、买账号、搭个界面，然后发现回答得一塌糊涂。回头一查，问题不在模型——在资料。

我们给几家客户做过知识库，也拿自己的资料试过。结论很一致：资料治理占整个项目 60% 以上的工作量，而且这 60% 省不掉。

为什么资料治理省不掉

先看一个真实场景。问 AI：「我们的设备保修期是多久？」

如果资料里有三份文档分别写着「一年」「12 个月」「自验收之日起 12 个月」，AI 会怎么答？它可能挑任意一个，也可能把三个都列出来让你自己判断。表面看是模型不聪明，实质是我们从来没定义过唯一正确的答案。

知识库做的第一件事不是「让 AI 更聪明」，是逼企业把自己的事实口径统一。这件事本来就应该做，只是一直没人有动力做。

第一步：盘点，先知道有什么

盘点要回答四个问题：

• 有哪些文档？（产品手册、技术方案、报价模板、售后流程、内部规章）
• 什么格式？（Word、PDF、扫描件、PPT、Excel、图片）
• 谁在维护？（往往答不上来，这本身就是问题）
• 有几个版本？（同一份文档存在几个副本、哪份是最新的）

我们做过的一个制造业客户，盘点出 400 多份文档，其中三分之一有重复版本，60 多份是扫描件——AI 读不了图片里的文字。

这一步的产出是一张表，不是一堆文件。表格里每行一个文件，标明来源、格式、责任人、最后更新时间和处理状态。

第二步：清洗，把不能用的剔掉

剔掉过期和失效的。 判断标准不是「文件修改日期」，而是「内容是否还成立」。一份 2021 年的价格表，文件可能是上周刚打开过的，但内容早就作废了。

OCR 扫描件。 纸质档案扫描成的图片必须转成可检索文本，否则等于没入库。这一环节识别质量参差不齐，需要人工抽检。

拆分复合文档。 一份 80 页的产品手册，既有公司介绍、又有产品参数、又有售后条款。整份入库，检索命中后 AI 拿到的是 80 页内容，很难准确定位。要按章节拆成独立单元。

第三步：切分与标签，决定检索质量

切分粒度是知识库里最容易被低估的决策。

切得太细，一句话一段，检索时上下文不足，AI 答得支离破碎；切得太粗，整章一段，检索命中但里面九成是无关内容，模型容易被干扰。

我们的经验是按语义单元切，不按字数切：一个完整的问题—答案、一个产品的完整参数表、一条完整的流程说明，各自成块。块与块之间保留引用关系。

标签体系同样重要，至少要打三类：

• 主题标签：属于哪个产品线、哪个业务环节
• 权限标签：哪些部门可检索，这是防止信息越界的关键
• 时效标签：有效期截至何时，过期自动降权

第四步：检索策略，让它敢说「查不到」

这是最容易被忽略的一步。

默认情况下，模型倾向于硬答——即使检索到的东西不相关，它也会拼出一个看起来合理的答案。在客服、法务、技术文档这类场景，硬答的代价远高于不答。

我们通常做三件事：

1. 设定相似度阈值，低于阈值的检索结果直接丢弃，让 AI 回答「资料中没有相关内容，建议联系XX」。
2. 要求引用出处，每个答案后面标出引用的文档与章节，用户可以点回原文核验。
3. 记录失败案例，把「答错了」和「答不出」的问题单独收集，每周复盘——这些是最有价值的优化线索。

我们踩过的三个坑

坑一：一上来就想做全公司知识库。 范围太大，资料盘不完，三个月后项目停滞。后来改成先做一个部门，两周跑通，再推广。

坑二：只做技术不碰资料。 客户 IT 部门搭好了系统，但没人愿意花时间整理文档，系统上线后空空如也。资料治理必须有业务部门深度参与，而且要明确责任人。

坑三：把知识库当成一次性项目。 上线后没人更新，半年后资料全部过期。知识库需要像网站一样有运营机制：谁负责更新、多久更新一次、过期怎么标记。

给准备上车的企业

如果你正在评估，建议先做一件事：挑一个最痛的具体场景，比如「售后人员查保修政策要打三个电话问人」。把这个场景的资料整理清楚，跑一个小范围验证，看回答准确率能不能到 80% 以上。

能，再谈推广；不能，先回头看看资料本身。这比开三个月的规划会有用得多。