这些问题来自行业公开讨论和我们与客户沟通中的高频提问。答案不讨巧，但都是真话—— 如果你的场景被我们判定为不适合做，我们也会直说。
最常见的原因不是工具不行，是三条：资料按文件夹组织而人按任务检索，导致"知道有但找不到"； 内容没人维护，员工照着旧版做过一次错事之后就再也不信了；系统入口不在干活的地方，员工想不起来去查。 解法是反过来做——先挑一个高频场景做透，按问题组织内容，把入口嵌进工作流，再指定一个兼职的人负责更新。 全量导入基本等于把混乱搬了个家。
大部分"模型答错了"其实是检索错了，模型只是忠实复述它拿到的内容。常见原因有五个： 新旧版本文档同时在库而检索没有时间概念；固定长度切片把关键清单从中间切断； 纯语义检索遇到编号和专业术语会返回"相近但不是"的结果；扫描件没做 OCR 和版面还原； 上线后召回率悄悄下降但没人监测。前四条属于数据工程问题，第五条属于运维缺失。
不是答错，是泄密。如果权限设计缺失，普通员工提问可能把只有主管能看的薪酬结构、或另一个客户的卷宗检索出来， 而系统还会把它组织得清清楚楚。关键在于：过滤必须发生在检索阶段，不能等到答案生成后再遮挡展示—— 文本一旦进入模型上下文，遮挡显示就已经没有意义了。
给每份文档登记生效日期与失效日期，新版入库时把旧版从检索索引里归档，而不是并排留着。 通用的语义检索只看相似度、不看时间，这一点在现实里踩坑极多——尤其财税和法律的时效性都很强。 财税方案与 律所方案都把这一步作为基础项。
能用，但必须先处理。扫描件不过 OCR 与版面还原，多栏排版会被读成乱序；表格如果切片时表头和数据行被拆散， 问"某项在第二季度是多少"就永远拼不出答案。我们在入库前统一做版面分析和表格结构化。 如果材料以纸质为主且完全没有电子化，那第一步是电子化，不是上 AI。
建一个小评测集：三十个真实问题，每个标注"应该命中哪几份文档"，每月跑一次看召回率。 行业公开分析里有这样的案例——系统从测试环境切到生产环境后召回率明显下滑，但因为响应速度正常、团队只监控延迟， 直到用户投诉才被发现。这个评测集成本很低，但能救命。
所有只存在于人脑里、从未被写成文字的知识。而且要注意：AI 不会说"我不知道"， 它会用检索到的内容构造一个看起来合理的答案。所以我们会同时交付一份知识缺口清单， 明确列出系统覆盖不了的部分。敢于标明缺口的系统，比一个什么都能答、实际会编的系统可靠得多。
先问自己一句：如果用现有工具整理好的内容都没人查，换一套更贵的系统只会让问题更贵。 验收时坚持三件事：要一份真实问题的评测集及召回率数据（而不是只看演示效果）； 要答案溯源（能定位到哪份文档哪一段）；要知识缺口清单（明确知道系统做不到什么）。 拿不出这三样的，基本可以判断没做过真实交付。
从一次需求沟通开始。说清你最想解决的是哪一类查询，我们会基于你的资料现状给出能做到与做不到的边界。
目前处于首批试点阶段，报价按资料量与场景复杂度沟通确认，本页面不列未经确认的数字。
了解整体方案