为什么很多人做了 AI 知识库，最后还是觉得不好用

一开始就做错的地方通常在前面

很多人第一次做 AI 知识库，会把希望直接压在模型上。只要回答不对，就开始改 prompt、换模型、换平台。但实际看下来，问题经常不在最后那一层，而在更前面。资料有没有按主题分开，文档切片是不是合理，测试问题是不是来自真实场景，这些基础没做好，再怎么调回答都像在表面补丁。

最常见的是资料先混了

产品手册、FAQ、制度、活动说明、历史版本文档，经常会被一股脑丢进同一个库里。这样做的直接后果，就是系统很难分清哪些回答该引用什么语境。你表面上看它像是答偏了，实际上是资料组织先出了问题。

第二个问题是测试太像演示

很多团队测试知识库时，只会问几条自己已经知道答案的问题。这样当然容易得到看起来还行的结果，但一到真实用户问法、跨文档问题和边界题，系统就开始乱。知识库要不要继续做，往往不是看它能不能答对 3 条演示问题，而是看它在真实问题里会不会乱补。

第三个问题是太早追自动化

知识库一旦能答几条问题，很多人就急着接机器人、接客服、接流程。这一步并不是不能做，而是做得太早以后，你会把前面的问题一起放大。更稳的顺序还是先看资料和回源，再看边界，再考虑接业务入口。

为什么这件事经常让人失望

因为大家原本期待的是一个“把资料丢进去就会答”的系统，但知识库更像一套资料组织和验证机制。它当然能接模型能力，但前半段做不好，后面就很难自然好用。真正把这件事做顺的人，通常花时间最多的地方，不在最后的回答文案，而在资料和测试。