新同事在群里问：「出差住宿能报多少？」老同事回一句：「飞书文档里有，自己搜一下。」老板在另一个会上说：「我们要做一个 AI 知识库。」
「知识库」这个词现在有两层意思。第一层很朴素：公司那一堆制度、文档、会议纪要，放在飞书、Notion 或网盘里，这就是知识库。第二层是最近一年大家真正在说的：给这堆资料接上一个大模型，让它能直接回答问题。这篇讲的是第二层。
如果你读过上一篇《为什么大模型会有幻觉》，还记得结尾说的「给它资料，让它翻书而不是背书」——企业知识库，就是把这件事做到公司规模。
先说清楚：知识库不是把资料「教」给模型
最常见的误解是：做知识库，就是把公司文档「训练」进模型，让模型「学会」公司的事。
实际上几乎没有人这么做。模型本身一个字都不改。上一篇里那个读遍图书馆、但被关进没有书的考场的考生，现在的变化只有一个：允许开卷了。
但开卷有个新问题：公司的资料摞起来几万页，模型一次能看的只有几十页。所以还得有一个人，先根据问题把对的那几页翻出来，放到它面前。这个「翻页的人」，才是知识库真正新增的东西。
于是一个 AI 知识库其实是三个角色的合作：
| 角色 | 它是什么 | 类比 |
|---|---|---|
| 资料 | 公司文档、制度、纪要，切成一段一段 | 图书馆里的书 |
| 检索 | 根据问题找出最相关的几段 | 帮你翻到对的那一页的管理员 |
| 模型 | 只读这几段，据此写出回答 | 开卷考试的考生 |
这三样合起来，术语叫 RAG（Retrieval-Augmented Generation，检索增强生成）。名字很唬人，拆开看每个词都对得上：先检索（翻页），拿检索结果增强模型的输入（把那几页放到它面前），再生成回答（答题）。
一个问题在知识库里走一遍
把「出差住宿能报多少」这个问题丢进去，它会经过五步：
注意右边那块「模型实际看到的」：它拿到的不是你的一句话，而是你的问题 + 检索出来的两段原文。模型读的是原文，答的也是原文里的数字，最后还能告诉你出自哪一条。
这就是知识库和裸模型最大的差别：上一篇里模型只能凭印象「接着说」，现在它面前摆着原文，可以照着念。回答的可靠程度，从「模型记得多准」变成了「翻出来的那几页对不对」。
而翻页这一步，是可以出错的。下面请你亲自当一次管理员。
新同事问：「出差住宿能报多少？」知识库里有下面 6 段资料。你最多挑 2 段交给模型，看看它会怎么答。
最多选 2 段
这个小实验需要开启 JavaScript 才能操作。
试几种选法你会发现：选对了，模型答得又准又有出处；选到 2023 年那段，它会同样自信地告诉你一个已经作废的数字，出处也写得清清楚楚；什么相关的都没选到，好的模型会老实说「资料里没有」。
模型自始至终都在认真读你给它的东西。它答得对不对，几乎完全取决于你翻给它的是哪几页。
资料是怎么被「找到」的
那真实的知识库里，「翻页」是怎么做的？总不能真的有个人坐在后面。
第一反应是关键词搜索，像 Ctrl+F 一样。但这里有个坑：新同事问的是「住酒店能报多少」，制度里写的是「住宿标准」。没有一个字相同，Ctrl+F 什么都搜不到。
所以现在的知识库用的是另一种办法，分三步：
- 切块：一份几十页的制度太长，先切成一条一条的小段，每段几句话。
- 变成点：每一小段都被换算成一张「语义地图」上的一个坐标。这一步叫向量化，你只需要记住它的效果：意思相近的段落，在地图上挨得近。「住宿标准」和「一线城市定义」是邻居，「年假天数」离它们很远。
- 找最近的：问题本身也被换算成同一张地图上的一个点。离它最近的几个点，就是检索结果。「住酒店能报多少」和「住宿标准」一个字不重合，但意思接近，在地图上就是邻居。
这张地图存在哪儿？存在一个叫向量数据库的东西里。名字先不用管，它就是那张地图的仓库。
同一个问题换三种问法，分别用两种方式去知识库里找。看看哪些段落会被找到。
先选一种问法
这个小实验需要开启 JavaScript 才能操作。
语义检索不是万能的。它找的是「意思最接近的几段」，不是「正确答案」——所以 2023 年的旧版和 2025 年的新版，在它眼里几乎是同一个位置。这就引出了下一个问题。
知识库为什么也会答错
接了知识库，幻觉会大幅减少，但「答错」并没有消失，只是换了原因。顺着那条流水线，故障通常出在四个地方：
用户看到的症状，和背后坏掉的那一步，往往对不上号。可以照这张表反查：
| 你看到的症状 | 多半坏在 | 该做什么 |
|---|---|---|
| 答案自信、有出处，但数字是旧的 | 资料：旧版没下线 | 清理资料，废止的文档要真的移除 |
| 同一个问题，换个说法就答不出来 | 检索：问法和文档用词差太远 | 检查是不是还在用关键词搜索；给文档补一段「常见问法」 |
| 答案把两份制度的内容混在一起 | 拼装：塞进去的段落太多太杂 | 只给最相关的几段；冲突的文档二选一 |
| 资料里明明没有，它还是给了个答案 | 模型：又回到幻觉 | 在提示词里写死「资料里没有就回答没找到」 |
第一行值得特别记住。它是 LAB 01 里你选到 2023 版时看到的那种错：回答形式完美，出处真实，内容作废。这种错比幻觉更难发现，因为所有「可疑信号」都不在——它甚至能点开原文。所以一个知识库最不起眼、也最重要的工作，是有人持续维护资料本身。
你该怎么看一个「AI 知识库」
不管是公司内部要上，还是供应商来演示，你不需要懂技术，问五个问题就能看出成色：
- 资料从哪来，多久更新一次？ 没有人负责更新的知识库，上线那天就开始过期。
- 回答带不带出处，点开是不是原文？ 没有出处的回答，和裸模型没有区别。
- 资料里没有的问题，它会不会说「没找到」？ 当场问一个明显不在资料里的问题试试。
- 换个说法再问，答案一样吗？ 不一样，说明检索不稳。
- 不同的人能看到的资料一样吗？ 薪酬制度不该被实习生问出来，权限是知识库的一部分。
下次有人给你演示 AI 知识库，对照勾选它做到了哪几条。
小结
回到开头那句「我们要做一个 AI 知识库」。现在你知道它在说什么了：
- 模型不变，变的是作答前有人先把对的那几页翻给它看。资料、检索、模型三个角色合作，术语叫 RAG。
- 翻页靠的是语义地图：资料切成小段变成点，问题也变成点，找最近的几个。所以一个字不重合也找得到。
- 知识库答错，多半不是模型的错：旧资料没下线、没检索到、塞得太杂，前三步就能解释大部分问题。
- 判断一个知识库靠不靠谱，看出处、「没找到」、更新、稳定、权限五件事，不用懂技术。
上一篇讲的是模型为什么会编，这一篇讲的是怎么让它照着念。下一次再听到「知识库」「RAG」「向量」这些词，你可以在脑子里把它们翻译回去：书、翻页的管理员、开卷考试的考生。
想再往下走一步？术语图解里的 RAG 和上下文窗口两页，分别解释了「检索增强生成」的每个字，以及模型一次到底能看多少页。