1. 制度问答把征求意见稿当成了正式规定
一家证券公司的财富管理部，把三类制度放进了知识库：产品适当性管理办法、客户风险评估指引、代销产品准入规则。分支机构的客户经理在智能助手上查，比如「客户是 C3 等级，能不能买这只 R4 的产品」。
这套问答上线之后，出过三回问题。
第一回是漏字。适当性管理办法里有一段讲的是「保守型客户不得购买 R3 及以上产品」，这段在一份扫描件里，扫描件是手机拍的盖章版，解析出来少了一行，漏掉的正好是「及以上」三个字。助手按漏掉之后的文本答，答反了。
第二回是断了半句。客户风险评估指引里有条长条款，原文是「风险承受能力为 C3 及以上的客户，可以购买 R3 级产品，但同一客户持有 R3 及以上产品的市值合计不得超过其金融资产的 30%」。切片的时候从「但同一客户」前面断开，检索命中的是后半句，助手给出的回答里只有 30% 这一条，前面那句「可以购买 R3 级产品」没提。
第三回是权限没带。库里有总部一份还在征求意见阶段的规则修订稿，标着待发布。检索是全库检索，这份征求意见稿也被搜出来了，助手引用了它，客户经理照着说给了客户。
这三回分别落在三个环节：文件有没有被完整读进来、读进来之后怎么切、检索的时候谁能看到什么。
2. 为什么有些问题不能靠模型自己答
2.1 模型答不上来的三种情况
模型的知识来自训练，训练有截止时间，也有覆盖范围。落在单位内部的事情上，它会出三种问题。
不知道。产品适当性管理办法是这家公司自己的文件，训练数据里没有，模型编不出来。
记不准。条款编号、比例、时限这些细节，模型记得住大意，记不准数字。上面那 30% 到底是不是 30%，它给不出可靠答案。
说不出出处。就算它答对了，也说不出这句话出自哪份文件第几条，客户经理拿不出依据，不敢照着用。
2.2 有据可依是什么意思
知识库（Knowledge Base）要解决的是这三件事凑在一起的那一个：让回答有出处。
有据可依（Grounded）指回答里的每个关键结论都能追到一段原文。做法是把检索到的原文段落连同回答一起交出去，界面上点一下就能翻到原文那一条。这一段追不出去，回答再顺也不能用。
一个成熟的制度问答会带两层出处：回答里标着依据的是哪几条，点开看得到条款全文和它所在的文件版本。
2.3 知识库和微调各自管什么
两者都能让模型多知道一点东西，但用法不一样。
知识库管的是经常变的、必须出处的、量大到装不进模型的内容。制度改了只要更新那几份文件，模型不用动。
微调（Fine-tuning）管的是说话方式和输出格式，比如让模型永远按公司的公文口吻写、固定按四个字段输出。它不适合拿来灌知识：灌进去的内容改起来要重新训一遍，也说不清那句话是学来的还是编的。
判断标准很清楚：这段内容会不会改，改了之后要不要能说出它出自哪一版。答「会」和「要」，放知识库。
3. 一份文件从上传到能查，中间经过什么
3.1 文档解析与 OCR
文件进库的第一步是把它变成文本。这一步看起来最不起眼，出的错却最多。
可复制文本的文件，直接抽文字。扫描件、图片、手机拍的盖章文件，要走 OCR（Optical Character Recognition，光学字符识别）把图片里的字认出来。
OCR 会认错。数字 1 和字母 l、0 和 O，中文里的「未」和「末」，都是常见的错。表格线、印章、手写批注会干扰识别。上面那家证券公司的漏字，就出在一份手机拍的盖章文件上。
入库规范里要写三条：哪些文件必须走 OCR、走完 OCR 的文件需不需要人工抽查、抽查比例是多少。制度、合同、病历这类文件，建议按不低于百分之十的比例抽查，抽查记录留档。
3.2 切片策略
解析出的文本是一整篇，检索的单位是一小段，中间要把它切成段。这一步叫切片（Chunking）。
切法有几种，差别在于按什么切。
按固定长度切最省事，每五百字一刀。它的毛病在条款类文件上很明显：一个条款被从中间切开，前半句在一段、后半句在另一段，检索只命中一段，回答就只剩半句。
按结构切更稳，遇到「第一条」「第二条」这种编号就断开，编号本身作为这段的标题带上。条款、规程、操作手册这类有明确结构的文件，优先走这条。
还有一种父子分块（Parent-Child Chunking）：把大段和小段同时存下来，检索时用切得细的子块去匹配（子块 300 字，匹配更准），找到之后把这段所在的父块整段（1500 字）交给模型。它的好处是匹配用的是小段，读进窗口的是完整上下文，前面那个「断了半句」的问题，靠这一招就能解决大半。
一个条款被切成两半，答出来就只剩半句
左边 · 按固定长度切，每五百字一刀
- 第十三条前半句落在一段的末尾，后半句落到下一段的开头
- 检索命中只有前半句那一段
- 答出来的C3 级客户可以购买 R3 级产品
- 丢掉的但不能购买 R4 级产品
条款从中间切开，答出来只有半句。
右边 · 按结构切，加父子分块
- 第十三条整条作为一段，编号当标题带上
- 匹配用的子块300 字，找得准
- 交给模型的父块1500 字，整条都在里面
- 答出来的C3 级客户可以购买 R3 级产品，但不能购买 R4 级产品
匹配用小块，读进窗口的是完整上下文。
条款、规程、操作手册这类有编号结构的文件优先按结构切。
3.3 长文档和表格怎么处理
两种内容需要单独交代。
一种是几百页的长文档，比如一整套管理办法汇编。整篇切完会切出上千段，检索的时候噪声大。常见做法是先按章节建目录层，每一章带一句摘要，检索先在章这一层定位，再进到章里找段。
另一种是表格。表格直接按行抽文字，会丢掉表头。退货时限表抽出来变成一行行孤立的数字，谁也看不出来那一列是什么。处理办法是把表头拼到每一行上再切，或者在表格上下文里补一句「下表的列依次是产品类型、风险等级、退货时限」。
4. 嵌入和向量解决的是「意思相近」
4.1 嵌入把一段话变成一个向量
关键词检索靠字面匹配，客户问「我这种能买 R4 吗」，制度里写的是「C3 等级的客户不得购买 R4 级产品」，两边没有一个字相同，关键词检索什么都找不到。
嵌入（Embedding）解决的就是这一类问题。它把一段文字变成一串数字，这串数字叫向量（Vector），意思相近的文字算出来的向量也接近。检索时先算问题的向量，再在库里找向量最接近的那些段。
这件事的原理不必深究，产品经理要知道的是它的两个性质：它对同义表达友好，对字面词不敏感；它靠的是训练语料里的语义，专业缩写、内部代号、刚出现的新名词，它可能完全没有概念。
4.2 相似度怎么算
两个向量的接近程度，常用余弦相似度（Cosine Similarity）来算，取值在 -1 到 1 之间，越接近 1 表示方向越接近。
实际用的时候，不设一个「超过多少分才算命中」的硬阈值，改设取前几名更稳。因为分数的绝对值跟语料和模型都有关，换一批资料分数整体都会变，取前 5 段这种相对口径反而好控制。
它也会错，而且错的方式很固定：字面很像但意思相反的两句话，它算得挺近。「可以购买 R3 级产品」和「不得购买 R3 级产品」，只差一个字，向量距离很近。制度、合规、医疗这几类内容，方向上差一个「不」字就是两回事，这类文件要靠后面的重排环节兜住。
4.3 什么时候该换一条检索路
出现下面几种情况，说明单靠语义检索不够用，要补关键词检索：制度编号、产品代码、设备型号这类专有名词查不到；用户输入的是精确的短词，比如「R4」；资料里有大量缩写和内部代号。
反过来，用户用大白话问、资料里用的是书面语，语义检索就比关键词强很多。两条路都留着，怎么合在下一节讲。
5. 入库时要把两样东西带上
5.1 元数据留什么
切出来的每一段，除了文字本身，还要带一批说明信息，这批信息叫元数据（Metadata）。检索的时候靠它筛，出了问题靠它追溯。
制度类文件至少要留这几项：文件名称、文件编号、发布部门、生效日期、版本号、效力状态、所属章节。效力状态这一项别省，它标记的是「现行有效」还是「征求意见」「已废止」。
这套字段在不同行业里权重不一样。制度类文件（金融、政务）最先看的是效力状态和文件编号，因为废止稿和征求意见稿混进来最要命；技术类文件（制造、能源）最先看的是版本号和适用设备范围，旧版图纸配上新设备会直接导致误判；医疗类最先看的是适用科室和证据级别，同一条建议在不同科室的适用性不同。字段都要有，筛选顺序按行业调。
5.2 权限标签怎么带
权限标签是在入库时打在每一段上的，标明哪些人能看到它。打标签的单位通常是部门、角色、区域三个维度。
上面那家证券公司的问题就出在这里：总部那份征求意见稿如果入库时打了「仅总部财富管理部可见」的标签，检索时就不会漏出去。
标签一定要跟元数据一起打在段上，不能等检索回来再过滤。检索回来再过滤有两个隐患：一是没权限的内容已经进过模型，答出来的口径可能已经被影响；二是分数排名会因为被过滤掉的内容而错位。
5.3 更新怎么同步
制度是会改的，改完必须同步到库里，而且要让旧版本停下来。
同步方式分两种。全量重建是把整个库清掉重新入库，适合文件少、改动大的场景。增量更新只处理变动的文件，快，但要处理干净三件事：新增的文件要入库；修改过的文件要把旧版段落标记失效，不能两版并存；废止的文件要整份下线。
库里同时存在两版制度是最危险的状态，因为用户问同一个问题可能拿到两个口径的回答。更新规范里要写清一件事：任何一份文件入库时，必须同时说明它替代了哪一版。
6. 检索不止一种做法
6.1 关键词检索和语义检索各有什么毛病
关键词检索（Keyword Search）按字面匹配，快，对编号、型号、代码这类精确内容准，但认不出同义表达。
语义检索（Semantic Search）按意思匹配，能接住大白话提问，但对精确编号不敏感，还可能把「可以」和「不得」算成很近的两段。
两条路的毛病正好互补，所以主流做法是两条都跑，再合起来。
6.2 混合检索、查询改写、重排怎么串
完整的检索链路一般是四段。
先说查询改写（Query Rewriting）。用户的原话往往不适合直接拿去检索，比如「客户 C3 想买 R4 行不行」。改写这一步把口语问题转成几条更接近资料写法的检索词，比如「C3 等级 R4 级产品 购买限制」。多查询扩展（Multi-Query Expansion）就是一次生成好几条检索词，分别去检索，再合并结果。
再说召回。关键词和语义两条路各取前 200 段，这一步要的就是多，宁可多捞不能漏。
第三步是合并去重，两路结果里重复的段合并成一段，剩下两百多段。
最后是重排（Reranking）。重排用的是更贵的模型，把候选段和问题放一起逐条打分，按新分数排序，取前 5 段进窗口。前面说的「可以」和「不得」这类反向表述，主要靠重排这一环把顺序拨回来。
重排值不值得上，看内容性质。条款、医嘱、合同时限这类差一个字就出事的资料，建议上；一般的产品介绍、操作说明，不上也能用。
一句口语提问，走完整条检索流水线
- 用户提问「客户 C3 想买 R4 行不行」
- 改写出来的三条检索词「C3 等级 R4 级产品 购买限制」「保守型客户 R4 级产品 禁买」「客户风险等级 产品风险等级 匹配规则」
一句口语变成三条更接近资料写法的检索词。
- 全库 24000 段
- 关键词路 200 段语义路 200 段
这一步要的就是多，宁可多捞不能漏。
- 260 段其中两段是两路都命中
两路重复的合成一段。
- 「第十三条 风险承受能力为 C3 及以上的客户，可以购买 R3 级产品…」· 分数 0.62 升到 0.94，从后面升到第一位
- 「不得向 C3 级客户销售 R4 级产品」· 分数 0.71 升到 0.88，从第一位落到第三位
- 模型最后的回答「C3 等级客户可以购买 R3 级产品，但不能购买 R4 级产品」，后面跟两个引用标记
能买什么、不能买什么的顺序被拨回来了。
条款、医嘱、合同时限这类差一个字就出事的资料，重排值得上。
6.3 多模态检索与图谱增强检索
两类资料用普通文本检索找不到。
一类是图。设备图纸、现场照片、影像报告，用的是多模态检索（Multimodal Retrieval）：图片和文字都变成向量，存在同一个空间里，用文字能找到图，用图也能找到相似的图。
另一类是关系。有些问题问的是「这件事影响哪些对象」，「这条产品规则会影响哪些客户等级、哪些产品线」这类问题，一段一段找资料是找不全的，要靠图谱增强检索（Graph-Enhanced Retrieval）：把实体和关系先建成一张图，检索时沿着关系走一跳两跳，把相关的都带出来。
这两种都不便宜，用不用看问题形态。问的是「哪一条规定」用普通检索就够，问的是「影响面」才需要图谱。
7. 同一句话，不同的人搜出来的结果不一样
7.1 检索时按权限过滤
检索必须带着提问人的身份去查。同一条问题，总部的人能搜到征求意见稿和正式稿两份，分支机构的客户经理只能搜到正式稿。
做法是给每一段打权限标签，检索时先按标签过滤，再在剩下的范围里排序。这件事在入库那一环就要做好，检索时才想起来补，是补不上的。
顺带说一句，检索回来的资料里可能夹着指令，比如资料正文里写着一句「忽略以上要求」。这类东西该怎么防属于权限与安全那部分的事，这里只提一句：凡是检索出来的内容进窗口，都要当成不可信的内容看待。
7.2 检索这一环怎么单独测
回答答错了，先别急着换模型。把回答拆成两段看：资料有没有找对，找到之后有没有用好。第一段测的就是检索。
测法很简单：准备一批问题，每个问题人工标出应该命中的那几段，然后只看检索结果里有没有这几段、排在第几位。两个指标够用：命中率（该找到的有没有找到）和首位命中率（该找到的有没有排在最前面）。
测出问题之后，按症状定位到环节。
| 症状 | 先查哪里 |
|---|---|
| 该找到的资料一段都没召回 | 切片是不是把关键条款切断了；资料本身有没有入库 |
| 找到了但排得很后 | 要不要加重排；查询改写是不是把原意改偏了 |
| 找到了正确段落，回答还是错的 | 这一环不在检索上，去查提示词和回答生成 |
| 搜出来的是旧版或没权限的内容 | 更新同步和权限标签哪里漏了 |
8. 制度问答的库最后怎么搭
财富管理部那份制度问答最后改了四处。
解析这一环加了抽查。扫描件、盖章文件一律走 OCR，入库后按不低于百分之十抽查，抽查人是业务口的合规专员，查完在入库单上签字。那份漏掉「及以上」三个字的文件，是在抽查里被拦下来的。
切片改成了按条款结构切，加上父子分块。子块按 300 字切，用来匹配；命中之后把 1500 字以内的父块整段交给模型。断句那个问题没了，因为模型看到的是完整的条款。
入库加了两个字段，一个是效力状态，取值是现行有效、征求意见、已废止；一个是权限标签，按部门、角色、区域三个维度打。总部那份征求意见稿，现在只有财富管理部和合规部的人搜得到。
检索换成了四段链路：查询改写生成三条检索词，关键词和语义各召回 200 段，合并去重后剩 260 段，重排后取前 5 段进窗口。重排之后，「可以购买 R3」这条排在第一位，「不得销售 R4」排在第三位，两条一起交给模型，回答里把两句话都带上了。
制度再改版时，更新规范要求新版生效当天入库，同时把旧版段落标成失效，并在入库单上写明替代关系。库里存着两版同样内容的状况，从那之后没再出现。
9. 入库和检索的自检表
| 要检查的点 | 答「否」的时候怎么办 |
|---|---|
| 扫描件、盖章文件是不是都走了 OCR，并且按比例抽查过？ | 补上抽查环节，制度、合同、病历这类文件抽查比例不低于百分之十 |
| 切片是不是按文件自身结构走的，有没有出现断句？ | 条款类文件改成按编号切，再加上父子分块 |
| 每一段是不是都带了文件名称、编号、版本、生效日期、效力状态？ | 补齐元数据，缺一项就先不进库 |
| 每一段是不是都打了权限标签？ | 补齐部门、角色、区域三个维度的标签 |
| 同一份文件的新旧版本，是不是只有一个现行有效？ | 新版入库时同步把旧版标失效，并记录替代关系 |
| 检索是不是带着提问人的身份做的？ | 改成先按权限过滤，再排序 |
| 关键词和语义两条路是不是都跑了？ | 加另一条路，两条路结果合并去重 |
| 条款、医嘱、合同这类资料，有没有加重排？ | 加重排，并准备一批问题测命中率和首位命中率 |
| 回答里的关键结论，能不能点开看到原文段落？ | 补引用标记和原文跳转 |
| 检索这一环有没有单独测过，还是只测最终答案？ | 拆开测，先看资料找对没有，再看答案写得好不好 |
10. 传完就不管的库，三个月后什么样
把知识库当换个地方存文件。 文件传上去只是第一步，解析、切片、元数据、权限标签、更新同步，每一环都会影响回答质量。传完不管的库，过三个月自己都不知道里面有几版文件。
全库检索，不分权限。 权限标签要在入库时打在每一段上，检索时先过滤。等检索回来再筛，没权限的内容已经进过模型，答出来的口径已经被影响过了。
答不准就换模型。 先在检索这一环测一遍：该找的资料找回来了没有、排在第几位。检索都对，才轮得到去看提示词和模型。顺序反过来，换十个模型也解决不了切片切错了的问题。
11. 资料找得到的四个判断，就到这里
资料这一块能带走的判断有四条：找不找得到看解析和切片，语义对不对得上看嵌入和向量，谁能看到看元数据和权限标签，最后交给模型的那几段准不准看四段检索链路。
手上要是有正在用的知识库，可以按第 9 节那张自检表过一遍，重点看切片和权限标签这两行。资料这块讲完，接着要解决的是另一类问题：一件事太杂，一个智能体管不过来，得几个人分开干。下一份材料讲主代理、专家和专家团怎么分工，以及分工之后上下文怎么隔离。