夜雨聆风
做企业 AI 方案时，我经常听到一句话：
“文档已经放进 Dify、Coze 了，也能问能答，知识库是不是就做完了？”
这个问题没有错。现在的平台让上传资料、建立索引、接上模型变得很快，很快就能跑出一个问答 Demo。
但别急着谈模型和参数，先问一句：今天答对了；资料更新、用户变了、问题换个说法，它还能答对吗？
能问能答，只证明链路跑通。能不能交付，要看答错以后能不能定位。
先拿一个最普通的问题试试
假设公司知识库里同时放着两份差旅制度。
一份去年发布，一份今年刚更新。
用户问：
“现在出差，住宿标准是多少？”
系统给出了一个数字，也附上了文件名称；看起来很完整，引用的却是旧制度。
新文件没同步、表格解析丢字段、版本没标有效期、重排把旧版放前面、权限范围不同……都可能是原因。
如果这些问题回答不了，继续调提示词，多半只是在碰运气。
知识库的专业性，不是看它能不能答，而是答错以后能不能定位。
一套能交付的知识库，至少有三条链路
我更愿意把企业知识库画成下面这张图。
上面一层，是知识生产。
中间一层，是在线问答。
下面一层，是评测、反馈和更新。
向量库只是上面第一条链路中的一个组件。
第一条：把“文档”加工成“知识资产”
资料不能一上传就不管。先要说清：
哪份文件现在有效； 适用于哪个部门、地区或产品； 谁对内容负责； 谁可以看； 更新以后，旧版本怎么退出。
然后才是解析、清洗、切分、打标签和建立索引。扫描件要做 OCR，表格要保留行列关系，标题和正文不能切散。
向量索引负责找“意思接近”的内容；关键词索引负责找产品名、制度编号和专有名词；元数据负责限制版本、范围和权限。
向量化解决的是怎么找，不负责决定哪份资料算数。
第二条：把“用户问题”变成“有依据的回答”
用户提问以后，也不是直接把问题扔给大模型。系统先确认身份和意图，按权限、版本、适用范围缩小检索空间；再召回、重排、组装证据，最后才让模型组织答案。
真正能交的结果，至少有三种：
1. 证据充分：回答，并给出来源； 2. 没有依据：明确说不知道； 3. 资料冲突或超出权限：停止回答，转人工处理。
这也是我看知识库方案时很在意的一点：
回答不是唯一出口。拒答和转人工，也是系统能力。
第三条：让每次答错，都能变成下一次改进
知识库上线以后不会从此只答对、不答错。关键是留下完整链路：用户问了什么、检索到了什么、哪些内容被重排、模型依据什么生成、用户是否接受。
有了这些记录，才能判断一次错误究竟属于：
资料没进来； 解析或切分有问题； 检索没找对； 重排选错了； 回答超出了证据； 权限和版本规则没有生效。
修完还要用固定问题重跑一遍，否则这一题修好了，昨天能答对的另一题又坏了。
没有评测和回归的知识库，优化靠的不是工程，是手感。
Dify、Coze 能做什么？
Dify、Coze 这类平台当然有价值：它们让资料接入、检索、工作流编排和模型调用更容易。以 Dify 官方文档为例，知识检索节点可配置知识库、元数据过滤、重排、Top K 和分数阈值。
但平台只是组件，不会替企业自动决定：
哪份资料有效； 谁对内容负责； 哪些人能看到； 没有依据时该不该回答； 最后按什么标准验收。
平台是实现方案的工具，不是方案本身。 真正要交付的，不该只是一张工具清单。
做到这里，知识库才不只是“搭出来了”，而是开始具备长期运行的条件。
下次开会，先问这五句
如果你正在做企业知识库，不妨先拿这五句话问一遍：
1. 哪份资料是当前有效版本，谁说了算？ 2. 文档更新以后，旧答案怎样退出？ 3. 不同用户能检索到的资料是否一样？ 4. 没有证据或资料冲突时，系统会不会停？ 5. 一次回答错误，能不能定位到资料、检索还是生成环节？
这五句不用等系统全搭完才问。放到方案评审、供应商沟通或验收会上，能少走很多“先上线、再猜错在哪里”的弯路。
五句话都答得出来，才值得继续谈模型、参数和平台选型。
答不出来，也不代表项目不能做。
只是说明，文档进了向量库以后，真正的方案工作才刚刚开始。
你们现在做的知识库，已经能追到每次回答用了哪份资料了吗？
#企业AI落地 #企业知识库 #AI知识库 #RAG #检索增强生成 #Dify #Coze #知识库建设 #AI项目交付
能生成，不等于能喝。生的 AI，得榨。
—— 老沈AI榨汁铺 · 不榨柠檬，只榨 AI
资料来源与边界
Dify 官方文档：知识检索节点；插件类型与数据源说明。 本文架构为通用企业知识问答方案抽象，不对应任何具体客户，也不比较 Dify、Coze 的产品优劣。 平台功能会随版本和部署方式变化，实际方案需以选定版本的官方文档和测试结果为准。
老沈AI榨汁铺
不榨柠檬，只榨 AI。把复杂的 AI，榨成业务能喝下去的一杯。