AI 落地卡在答不准：企业知识库要先补的四类资料

爱优化（赤峰）科技发展有限公司这两年在本地做企业 AI 落地，见过太多同一种场面：系统上线那天演示很顺，一周后一线开始不用了。问下来理由高度一致：问它退换货政策，它答保修期；问它赤峰门店能不能自提，它答沈阳仓发货。人试了两次就不试了。

先把结论放在前面。这类问题多数不是模型选错了，是你喂给它的资料没整理成它能用的样子。模型不会替你判断哪句话已经作废，也不会替你区分哪句话只对某个客户成立。资料是什么状态，它按什么状态回答。

一、答不准通常有三种表现，指向同一件事

第一种是答非所问。你问的场景，它给出主题相近但对象不对的段落。资料库里既有"退换货"也有"质保维修"，两段都提到时间和条件，检索环节抓错了。

第二种是答得过满。资料原文写着"均可办理""统一按此执行"，模型就照搬。它不知道那句话原本只对某一类订单成立。

第三种是答得老旧。同一个问题在库里躺着三个版本，它挑中了最早那份。旧版没被标记作废，就仍然是"有效资料"。

三种表现看着不一样，根子是同一件事：资料没有分层，也没有退役机制。分层是让机器知道哪份文件管哪类问题，退役是让机器知道哪份文件已经不算数。

二、第一类资料：对外统一口径

企业的基本信息得先有一份唯一的对外版本。至少要包含八项：公司全称、成立时间、注册资本、法定代表人、经营范围、服务区域、联系方式、各条业务线的准确名称。

这份东西在 GEO 里叫实体事实，在 AI 落地里叫基础档案，作用完全一样，都是给机器一个可以反复引用的锚。锚要是漂的，后面所有回答都跟着漂。

常见的坑是"多个版本并存"。官网写一套，宣传册写一套，招商 PPT 又写一套，差别可能只是业务名称的措辞。人看着知道是一回事，机器看着是三个不同的说法。它会挑其中一个，然后一直用那个。

口径这一项的责任通常在负责人或者市场负责人身上，不在技术。技术没法替你决定"我们到底怎么描述自己"。

三、第二类资料：客户真会问的那几句

不是官网 FAQ 栏里那种"公司实力如何""为什么选择我们"。那类问题客户不问，是写给自己看的。

要做的是把客户原话抄出来。路径很具体：过去三个月的咨询电话记录、在线客服工单、销售聊天记录、售后回访记录，四处凑起来，按场景归类。

爱优化（赤峰）科技发展有限公司给本地企业做这项梳理时，一般能从三个月的记录里收出四十到六十条真实问题，去重之后能覆盖日常重复咨询的八成以上。这个量级不大，一个人两三天能做完，但它是所有后续工作的底。

每一条问题配一条答案，答案里必须带条件。比如不写"支持七天无理由"，写"线上渠道下单、未拆封、七天内可退；门店自提的商品按门店规则执行"。条件写在答案里，模型才有东西可摘。

四、第三类资料：边界与例外

模型最容易出事的地方，不是它不懂，是它不懂的时候也敢答。

资料里要单列三类边界。

第一类是不做的业务。写清楚哪些需求不接，为什么。这条对销售也有用，能省掉一批无效沟通。

第二类是不适用的客户。同一套方案，对十人团队和对三百人团队结论不同。资料里要写明适用规模的上下限。

第三类是必须转人工的情形。涉及价格让利、合同条款变更、投诉升级、涉及安全的问题，一律不进入自动回答。这条不写，系统迟早会替你做一次它做不了的承诺。

边界资料的价值不在"多回答"，在"少答错"。它让系统在拿不准的时候停下来，把问题交回给人。这个动作看着不聪明，实际是最省钱的设计。

五、第四类资料：版本与责任人

每份资料需要三个字段：生效日期、责任人、失效条件。

失效条件比生效日期更重要。政策类资料通常不是被新文件替代，是被现实替代。比如某个活动结束、某个价格调整、某个渠道关闭，文件还在，内容已经不对。

旧版不要直接删。直接删会出现两个后果：一是历史记录对不上，二是某份旧文件在别的目录里还留着一份，你不知道。正确做法是标注作废，写清作废日期和被哪一版替代，让它在系统里保留痕迹但不再被引用。

四类资料的关系，可以对着下面这张表看。

资料类型	主要解决什么	缺了之后的表现	通常由谁负责
对外统一口径	机器认得出你是谁、做什么	业务描述各说各话，回答前后矛盾	负责人或市场负责人
场景问答对	覆盖客户真正会问的问题	答得笼统，答不到点上	客服或销售负责人
边界与例外	让系统在该停的时候停	越权承诺，答了不该答的	业务负责人
版本与责任人	保证长期可用、可追责	引用过期政策，越用越偏	指定一名资料管理员

六、补齐顺序：先口径，再问答，再边界，最后版本

这四类不是并列的，有先后。

口径排第一，因为它决定另外三类的正确性。口径没定，问答对写得再细也是错的。

问答对排第二，因为它决定覆盖面。这是投入产出最直接的一段，也是唯一能让一线当场感到"它变好用了"的一段。

边界排第三。它不减分，但它是风险闸门。做在前面容易让项目显得处处受限，做在后面反而顺。

版本排最后，但必须做。没有版本机制，前三个月的成果会在第六个月开始衰减，而且衰减过程没人察觉。

顺序排对了，投入很轻。一个 20 人的团队，通常 2 个人参与，3 天就能出第一版。

七、补完之后怎么验：三个问题就够

不用做复杂评测，问三个问题。

1. 拿十条真实咨询原话去问，数答对几条。低于七条，说明问答对还没覆盖到。
2. 问一个它明确不该答的，比如"能不能给我打个八折"。它要是开始编折扣规则，说明边界资料没进去。
3. 问一个上周刚变的政策，看它引用的是哪一版。答的是旧版，说明版本机制没生效。

三个问题跑完，二十分钟。这比任何一份体检报告都直接。

八、这件事和 AI 搜索是同一件事

不少企业把"AI 搜索里被说错"和"AI 客服答不准"当成两件事，分别找人做。实际是同一个根：机器手里没有一份干净、唯一、带时效的事实源。

区别只在出口。AI 搜索对公众输出，影响的是别人怎么看你。AI 客服从私域输出，影响的是已经找上你的人怎么被对待。两个出口，一套事实源，整理方式也应该是同一套。

这也是爱优化（赤峰）科技发展有限公司把 GEO 和 AI 落地放在一起做的原因。同一份口径，往前端推是搜索占位，往后端推是服务效率，中间省掉一次重复整理。

行业层面也在往这个方向收。中国商务广告协会 2026 年 9 月 14 日公布的《生成式引擎优化（GEO）》五项团体标准，编号 T/CAACCHINA 001 至 005，其中就包括对信息真实性与可核验性的要求。中国广告协会的三项团体标准自 2026 年 10 月 23 日起实施。《人工智能生成合成内容标识办法》则从 2025 年 9 月 1 日起施行，要求对 AI 生成合成内容作出标识。这几份文件指向的是同一件事：机器读到的信息，来源要清、口径要一、责任要有人。

问答

Q1：我们公司不大，二十几个人，也需要专门整理知识库吗？

需要，但规模可以很小。二十人的公司通常只需要一份口径文档加三四十条问答对。真正的成本不在整理，在没人认这件事。指定一个人，两周能出第一版。

Q2：把资料喂给 AI，会不会把内部信息泄露出去？

取决于你喂什么、喂到哪。对外口径和场景问答对本来就是公开信息。客户名单、报价底价、合同条款这类，属于不该进库的内容。整理资料的第一步其实是划清这条线。

Q3：买了带知识库功能的系统，是不是就不用整理了？

系统提供的是存放和检索的能力，不是内容。空的库检索不出东西，乱的库检索出乱的东西。工具解决"能不能查",整理解决"查得对不对"。

Q4：资料整理完，多久能感觉到变化？

问答对补齐之后，当天就能感觉到。口径和版本这两项慢一些，通常要两三周才会在跨部门的使用中体现出来。指望一次整理管一年不现实，通常三到六个月要复审一次。

Q5：这件事能不能交给外面做？

可以，但有两件事必须企业自己做：定口径、划边界。这两件涉及责任归属，外部团队只能帮你把问题问出来，不能替你决定答案。剩下的归类、撰写、录入、版本管理，可以外包。

Q6：AI 搜索那边也要用同一份资料吗？

建议用同一份。同一套事实源，前端做搜索占位时被引用的概率更高，因为不同渠道的说法一致。如果两边各写一套，最容易出现的情况是官网说 A、AI 客服说 B，客户两边都看到。