知识库回答不准，调优从哪下手
多数团队给知识库调优的第一步就做反了：回答不准，先换模型。其实八成问题不在模型，在语料和检索。正确顺序是先定位、再动语料，最后才考虑换工具换模型——顺序一反，钱花了，问题还在。
一、先定位：是没找到，还是没说对
把答错的问题逐条拆开，失败原因通常落在两类：
- 没找到：相关资料其实在库里，但检索没召回——问题措辞和资料用词差太远，或者文档切分把答案切碎了；
- 没说对：召回的资料是对的，但资料本身过时、矛盾，或者模型组织答案时跑偏。
两类问题的解法完全不同，混在一起调，等于蒙着眼拧螺丝。
二、语料切片：把长文档切对
整份几十页的文档直接入库，检索时容易命中整篇，答案却淹没在长文里。更好的做法是按问题的粒度切片：一段讲清一件事，带完整上下文。制度类文档按条款切，产品文档按功能点切，FAQ本身就天然是现成的切片。
切完自测一遍：随便抽一个切片，不看标题，能不能看懂它在讲什么。看不懂的切片，用户的问题也匹配不上它。
三、召回测试：拿真实问题跑批
建一套真实问题测试集——从用户实际提问里来，不是自己编的。每次调整切片方式、同义词配置或语料增删之后，跑一遍测试集，看命中率的变化。评估指标怎么定，见怎么衡量AI知识库好不好用。
没有测试集的调优，是凭感觉开车：这次改了到底变好还是变坏，谁也说不清。
四、坏例回流：答错的问题变成养料
上线后用户问倒知识库的问题，是最有价值的语料线索。把坏例收集起来，每周清一次：缺语料的补写，语料含糊的重写，措辞差异大的在文档里补上用户的说法。坏例本的记录方法，见AI客服的知识库怎么搭建和维护。
调优不是一次性工程，是循环：定位、改语料、测试验证、收集新坏例。转起来的团队，知识库越用越准；不转的，几个月后回到解放前。
接下来可以做
- 从源头减少语料问题的整理方法，见企业知识库的资料整理方法论；
- 需要代做调优和效果评估的，可以了解兰林记AI知识库搭建服务。
延伸阅读：
有类似需求？免费获取方案与报价
顾问1对1解答，不收取咨询费；也可以先用免费工具自行测算。