知识库不是资料堆:让业务 Agent 答得准的三层整理法

第一层：存量清理——过期的、重复的、自相矛盾的先清掉

检索增强生成（RAG）的基本原理是先检索、再生成：模型能看到什么资料，答案的上限就是什么。企业知识库最常见的脏法有三种：同一份制度三个版本同时在线；已经作废的流程还留在库里；同一件事在不同文档里口径不一致。Agent 检索到哪一版，就按哪一版回答，错得理直气壮。

做法不复杂，但要有人负责：给每份文档建台账，写清责任人、生效日期、版本；过期文档下线，重复文档合并，口径冲突时以最新正式版为准并标注来源。存量不清，后面两层做得再细也是在脏数据上加工。

第二层：切块加工——别把整本手册切成谁也读不懂的碎片

文档入库前要切块，检索命中的是块，不是整篇。整篇灌入会稀释重点，机械地按固定字数切，又会把"操作步骤"和它的"前提条件"拆到两个块里，检索到哪一半都答不完整。

Anthropic 在 Contextual Retrieval 里给了一个可直接借鉴的做法：为每个切块先生成一句上下文说明——这块出自哪份文档、解决什么问题、适用于谁——再连同原文一起索引，官方实验中检索失败率明显下降。落到日常操作就是三件事：按语义边界切（一个步骤、一个条款、一个问答各成一块）；每块补齐出处、适用对象、生效时间；表格和清单保持完整，不拆散。

第三层：问答沉淀——把真实问题变成资产

上线之后的真实提问是金矿。用户问了什么、Agent 答了什么、哪里答错或答不上来，每周回流一次：高频问题沉淀成标准问答（问题、标准答复、出处），检索时优先命中；答错的案例回到前两层找原因，是资料过期还是切块丢了上下文。

还有一条底线：每个答案尽量标出处；资料里没有的，明确说不知道并转人工。让 Agent 承认答不上来，比编一个像样的答案安全得多。

上线前自检清单

• 抽 30 个真实业务问题盲测，看命中的资料对不对、答案引用的版本新不新
• 随机抽查 10 份文档，确认没有过期版本还挂在库里
• 随机抽 10 个切块，确认出处、适用对象、生效时间都在
• bad case 有没有固定的回流节奏，谁负责、多久一次

三层整理不新鲜，难的是把它变成日常动作：新文档入库先过第一层，制度变更同步更新台账，问答沉淀每周雷打不动。知识库的质量上限，就是 Agent 回答的质量上限。