好的知识库，是 RAG 高准确率的地基

做 RAG 系统的人常犯一个错——花八成时间调检索算法却忽略了知识库本身的质量。但「垃圾进垃圾出」是 RAG 的第一定律知识库质量决定了准确率的上限再好的算法也救不了烂数据。好知识库的五个标准一个能撑起高准确率的知识库至少要满足五条。一是结构化——文档有清晰的标题层级和分类标签不是一坨纯文本。二是时效性——过时信息及时归档或删除版本管理清楚。三是完整性——覆盖用户高频问题九成以上没有大缺口。四是一致性——同一概念不出现矛盾描述术语统一。五是可追溯——每条信息有来源标注方便验证和更新。有个量化规律值得记住知识库质量每提升一成检索准确率平均能提升 8 到 12 个百分点。不同文档处理策略不一样文档类型不同入库方式也不同。结构化文档表格、数据库效果最好直接提取字段转成 QA 对或结构化条目就行。半结构化文档API 文档、产品手册按章节或功能模块拆分保留标题上下文需要人工审核。非结构化文档会议记录、邮件最难建议先用 AI 做摘要和打标签再入库。多媒体文档图片、PDF 扫描件要靠 OCR 提取文字加图片描述信息损失最大。核心原则优先把核心文档结构化非结构化的用 AI 预处理后再入库效果提升明显。知识库构建的六步流程一是需求调研——收集用户高频问题 TOP 100确定知识库范围。二是文档收集——按优先级整理产品文档 FAQ 内部 Wiki 其他。三是质量清洗——去重、纠错、统一术语、删除过时内容。四是结构化处理——按主题分类加元数据标签版本、日期、部门。五是切片入库——按策略切片后向量化存入向量数据库。六是验收测试——用 100 条典型查询测试准确率得达到 80% 以上。整个过程大概两到四周其中质量清洗能占掉四成时间。几个常见误区做知识库容易踩几个坑。一是贪多求全什么都往里塞结果噪音大、检索不准——其实 100 页高质量文档胜过 1000 页杂乱文档。二是忽视清洗原始文档直接入库重复和矛盾内容拖累准确率。三是一次到位以为建好就完了但业务在变知识库必须同步更新。四是缺少反馈不收集用户「没搜到」的案例就没法迭代。还有几个认知要纠正别以为「文档越多越好」别以为「建好就不用管了」也别以为「质量是运营的事」——PM 最了解用户需求必须主导内容规划。把顺序理清楚知识库质量优化的收益约三成比调检索算法通常一两成大得多。先把知识库做到位再调算法这个顺序别反了。