一、坑一：召回不准

根子在于用户的说法和资料的说法对不上。 用户问「拖车要不要钱」，资料里写「道路救援服务」，一个字都不重合。 演示里五个问题，口语问法 top1 只中 2 / 5；换成资料里的词，5 / 5。

「拖车」那一行算出来是 0.000——检索直接空手。这是纯字面检索的下限。 真平台用 embedding 模型，对同义能抓住一部分，但行业俗称、缩写、错别字照样翻车。

二、坑一的四种补法

一、混合检索。 向量召回加关键词召回，两路并起来再排。向量管同义，关键词管专有名词，互补。 二、同义词表。 把「拖车 = 道路救援」「首保 = 首次保养」这类列成表，检索前先扩展一遍。 土办法，很有效。 三、问题改写。 让模型先把用户的话改写成资料里的说法，再去检索。多一步调用，但能救回一大半。

四、把用户的话写进资料。 建库的时候顺手把「常见问法」加在每段后面。 这是最省事的一条，很多团队不做。 四条里第四条最便宜。资料不只是写给人看的，也是写给检索看的。

三、坑二：更新滞后

文档改了，索引没重建，答的还是旧政策。 演示里把保修从 3 年改成 4 年，旧索引还是答 3 年，新索引答 4 年。 这个坑最容易查——看知识库的更新时间就知道——但也最容易犯。

三条对策：改完立刻重建；给库设一个「最久多久必须重建」的规矩； 在答复里带上资料日期，让用户自己看出新旧。 第三条挺有用：答「根据 2026 年 3 月的保修政策」，用户自己会判断。不写日期， 答错了都不知道错在哪。

四、坑三：权限穿透

这是三个坑里唯一致命的。 演示里的库里同时有 HR 的薪资结构和产品的保修政策。 普通员工问「P5 职级月薪多少」，不过滤的话，检索照样把薪资那一块捞出来，分数 0.45，答得清清楚楚。 按权限过滤之后，库里根本没有那一块，检索空手，走兜底。

关键在于过滤发生在哪一步。必须在检索之前，不能靠提示词说「不要回答薪资问题」。 提示词是劝，过滤是拦。 用户换三种问法问三遍，劝就失效了。

五、权限怎么做才算数

一、分库。 公开资料一个库，部门资料一个库。这是最粗也最有效的做法。 二、给块打标。 每块资料带一个部门或密级字段，检索时按身份过滤。 三、接线上的账号体系。 智能体拿到的身份要对得上真人的身份， 不能让所有人都用一个「系统账号」去查。

三条里第三条最容易被凑合。凑合的结果是：过滤逻辑写了，但过滤用的身份是错的。 第 13 章讲多维表格与权限时会再碰到这件事，那时是在数据行这一级做过滤。

六、还有一个坑：不知道自己在编

这个坑不在教材那三条里，但落地时一样常见。 模型答完一段话，语气笃定，还带着出处编号——但出处那句其实不支撑这个结论。 对策只有一个：给人看的答复里带原始引用，让核的人能点开看原文。

还有一条工程习惯：把每次问答的「问题、召回的三段、答复」都记下来。 出问题的时候，这是唯一能复盘的东西。 没有日志的知识库，出了问题只能靠猜。

七、上线前的一张检查表

六行里第五行是红线。这一行不过，别上线。 其余五行是可以边跑边改的。这一条判断很重要：不是所有问题都要在上线前解决。

八、动手 Demo：三个坑：召回不准、更新滞后、权限穿透

三个实验各对应一个坑。 第一个比对口语问法与资料用词，第二个比对旧索引与新索引，第三个用普通员工身份问薪资。

def top1(q, coll):
    r = Q.retrieve(q, coll, top=1)
    return (r[0][0], r[0][1]) if r else (0.0, u'')

# 坑一：同一件事，两种问法
for q, orig, key in PARA:
    s0, t0 = top1(q, AUTO)          # 用户口语
    s1, t1 = top1(orig, AUTO)       # 资料里的词
    print(q, s0, key in t0, '|', orig, s1, key in t1)

# 坑三：权限必须在检索之前过滤
raw = Q.retrieve(ASK, [d for d, _p in KB], top=1)   # 不过滤
view = [d for d, p in KB if p == u'public']          # 先过滤
safe = Q.retrieve(ASK, view, top=1, floor=0.10)

实跑输出：

--------------------------------------------------------------------
三个坑：召回不准、更新滞后、权限穿透
--------------------------------------------------------------------


  ① 召回不准：换个说法就找不到
  --------------------------------------------------------------------

| 用户口语问法 | 分数 | top1 | 换成资料里的词 | 分数 | top1 |
|---|---:|---|---:|---|---:|
| 保养多久做一次 | 0.178 | 中 | 保养周期是多久 | 0.267 | 中 |
| 保修多长时间 | 0.112 | 没中 | 整车保修政策 | 0.466 | 中 |
| 拖车要不要钱 | 0.000 | 没中 | 道路救援服务 | 0.447 | 中 |
| 轮胎管不管 | 0.125 | 中 | 易损件保修范围 | 0.306 | 中 |
| 怎么约保养 | 0.109 | 没中 | 预约方式有哪些 | 0.255 | 中 |

  口语问法 top1 命中 2 / 5；换成资料里的词 5 / 5。
  五题里差了三题，全落在「用词不同」上。
  注意「拖车要不要钱」那一行是 0.000——一个字都不重合，检索直接空手。
  真平台用 embedding 模型能抓住一部分同义，但行业俗称、缩写、错别字一样抓不住。
  所以成熟做法是混合检索：向量召回加关键词召回，两路并起来再排。

  ② 更新滞后：文档改了，索引没重建
  --------------------------------------------------------------------
  旧索引 → 保修政策：整车保修 3 年或 10 万公里，以先到为准。发…
  新索引 → 保修政策：整车保修 4 年或 12 万公里，以先到为准。发…
  文档改了，索引没重建，答的还是 3 年。这是知识库最常见的事故，也是最容易查的——看更新时间就知道。

  ③ 权限穿透：检索不认识你的工号
  --------------------------------------------------------------------
  问：P5 职级月薪多少（普通员工身份）
    不过滤：召回到 0.45 分的一块 → 薪资结构：P5 职级月薪 18000 到 24000，年终…
    按权限过滤后：没有召回，走兜底「这超出我能答复的范围」
  ! 权限必须在检索之前过滤，不能靠提示词说「不要回答薪资问题」。
  提示词是劝，过滤是拦——用户问三遍，劝就失效了。

①坑一那张表五列。对照看两列分数：口语问法普遍低一截，「拖车要不要钱」是 0.000——一个字都不重合。 ②口语 2 / 5，换成资料里的词 5 / 5。差的这三分全靠用词。 ③坑二那两行最直观：旧索引答 3 年，新索引答 4 年。同一份文档，两个答案。 ④坑三最要命：不过滤时召回 0.45，把薪资结构答得清清楚楚；按权限过滤后库里没有那一块，只能走兜底。 ⑤最后那句是本节的结论：权限必须在检索之前过滤。提示词是劝，过滤是拦。

30 秒实验

1. 拿五个真问题，用「用户的说法」和「资料的说法」各问一遍，看差几分。
2. 查一下你的库上次重建索引是什么时候。超过一个月的，把重建排进日程。
3. 用一个普通账号问一句只有管理层能看的资料。答出来了就是红线不过。

常见误区

1. 「向量检索能理解同义，不用管用词。」抓一部分，抓不全。行业俗称照样翻车。
2. 「提示词里写清楚不许答就行。」那是劝。用户换问法问几遍，劝就失效了。
3. 「权限等上线后再加。」上线后再加等于所有人都已经看过一遍了。过滤要在检索前。

知识库这条线走完了。下一章换一个角度：模型明明有资料，为什么还是答得不好。 答案在提示词里——那是唯一一个不花钱就能大幅提升的地方。

• ☐ （本篇完，下一篇 6.1 提示词的工作原理）

相关笔记

• 案例实战：打造汽车行业智能客服：那个能跑起来的客服
• 扣子知识库介绍：切分参数怎么定
• 15 数据库基础 · 索引
• 🐦 扣子开发 AI Agent · 索引