先别急着搭知识库

很多人一听 RAG 知识库，就开始整理 PDF、切文档、上传资料。结果折腾一圈，AI 还是答得虚、答得慢、答得像复读机。真正的问题不是“资料不够多”，而是你没有先想清楚：这个知识库到底要帮谁，在什么场景下，做出什么判断。

RAG 不是资料仓库，是回答生产线

普通资料库解决的是“我把东西放哪”。RAG 知识库解决的是“用户问一句话，AI 怎么找到依据，并组织成能用的答案”。

所以搭建顺序应该反过来：先从高频问题开始，而不是从存量资料开始。比如内容团队可以先列“选题怎么判断”“标题怎么改”“爆款结构怎么拆”；教育团队可以先列“学员为什么卡住”“某类题型怎么讲”“咨询时怎么解释课程价值”。

每个问题都要配一个合格答案标准：要不要引用依据？要不要给步骤？要不要区分新手和老手？要不要提醒风险？这些标准，比多上传 100 份文件更重要。

四步搭一个能用的知识库

第一步，列问题清单。不要写大而空的“帮我学习 AI”，要写成真实提问，比如“我有 20 篇文章，怎么判断哪篇适合二次改写”。

第二步，整理答案素材。资料不要按来源堆，要按问题归类。一个知识点最好只服务一类问题，避免 AI 检索时把相似但不相关的内容混在一起。

第三步，给资料加标签。标签不需要复杂，先用人能理解的字段：适用人群、使用场景、内容类型、时效性、可信等级。这样后续更新和排错会轻很多。

第四步，做追问测试。不要只问标准题，要故意问含糊的问题、反向的问题、带错误前提的问题。一个好的 RAG 系统，不是每次都硬答，而是该追问时追问，该拒答时拒答，该引用依据时引用依据。

面试里真正想听什么

如果这是 AI 产品经理面试题，面试官通常不是想听你背“向量数据库、切片、召回、重排”。他们更想看你有没有产品判断：谁来用、痛点是什么、答案怎么算好、错了怎么发现、知识怎么更新。

你可以这样讲：先定义业务场景和用户问题，再设计知识结构和答案标准，然后用小样本跑通检索效果，最后建立运营机制，包括新增资料、过期资料下线、错误答案复盘、命中率和满意度监控。

给普通人的落地清单

如果你只是想用 AI 提效，不用一上来买复杂系统。先拿一个文件夹、一个表格、一个 AI 工具就够了：

  • 先整理 30 个真实问题。
  • 每个问题配 1 到 3 条可信资料。
  • 给每条资料写一句“什么时候用”。
  • 每周记录 AI 答错的 5 个问题。
  • 把答错原因分成：资料缺失、问题没识别、答案格式差、资料过期。
  • 只修最高频的错误，不追求一次性完美。

RAG 知识库的核心，不是让 AI 看过更多东西，而是让 AI 在正确的问题里，找到正确的依据，输出正确形态的答案。能做到这一点，它才是工作流；做不到，它只是一个更贵的网盘。