AI客服接了知识库，为什么还是答不准？

很多企业在部署AI客服后遇到过这样的尴尬：明明接入了完整的知识库，AI却答非所问，甚至把「退款」说成「退货」，导致客户投诉。团队的第一反应往往是「这AI不行」，然后考虑换一个更贵的模型。但现实情况是，AI答不准的核心原因，往往不在模型本身，而在知识库资料的处理环节。

优化前的准备工作：建立评测集

AI回答一个问题，需要经历三个关键环节：找到相关资料、挑选出最匹配的内容、依据资料生成答案。这三个环节环环相扣，任何一环出现问题，答案就会跑偏。与其花大价钱更换模型，不如先把这三关调好——而且这些优化大多不需要深厚的技术背景，业务人员也能参与。

第一关：资料切分要完整

在动手优化之前，首先需要建立一套评测集。选取30到50条真实高频的用户问题，为每条问题标注标准答案和对应的知识库来源。以后每次调整，都用这套题目重新测试，观察答对率是否提升。没有这把「尺子」，你根本无法判断修改是有效还是无效，只能凭感觉盲改。

第二关：检索要精准

知识库资料通常内容庞大，系统需要先将资料切分成小块才能处理。如果简单按字数硬切，一条完整的退款政策可能被从中间劈成两半，AI翻到的是半句话，自然答不完整。正确的做法是按语义完整性切分：一个政策、一条FAQ、一个操作步骤，应该独立成段。中文字数控制在300到800字之间，段落之间保留少量重叠，避免边界信息丢失。表格和清单要整块保留，并在每段前标注来源主题，如「【退款政策】」。一个实用的建议是：尽量将源头资料整理成问答形式（FAQ），因为FAQ天然就是一段一个知识点，检索命中率最高。

第三关：约束AI按资料作答

资料明明在知识库里，AI却检索出了错误的内容——这是第二关容易出现的问题。原因是AI默认按语义相似度检索，而「退款」和「退货」在语义上非常接近，业务中的专有名词、近义词、产品型号都是它最容易混淆的地方。解决方案是采用混合检索策略：同时启用向量检索（按语义找）和关键词检索（按原词找），两路结果综合判断。专有名词和产品编号这类信息，主要靠关键词检索这一路兜底。此外，建议在粗召回20到50条结果后，再通过重排序（Rerank）精挑出最相关的3到5条喂给AI，这是提升准确率最明显的环节。业务团队还可以整理一张术语同义词表，明确「退款=退货=退单」这类对应关系，直接发给技术团队配置即可。

如有侵权，请联系删除。