目前比较通用的做法是“先检索、再回答”，也就是常说的 RAG（检索增强生成）。简单说，就是先把公司资料整理成一段段可被检索的内容，用户提问时，系统先从里面挑出最相关的几段，再让大模型只根据这几段组织答案。模型负责把话说清楚，事实依据来自你的资料。
为什么不把整个文档直接交给模型？一是篇幅放不下，公司资料动辄几百上千页；二是就算放得下，成本和速度都难以接受；三是资料越多，模型越容易抓错重点。检索这一步的作用，就是先把范围缩小到真正相关的那一小部分。
一套能用的做法通常包含五步：把资料转成统一格式的文本；切成大小合适的片段；建立索引，让系统能按意思而不只是按关键词找到内容；用户提问时检索出相关片段；模型基于片段生成答案，并附上出处。最后这一步很重要——有出处，员工才敢用，也才能核对。
效果怎么衡量，最好在开始前就定下来。可行的做法是准备一组有标准答案的问题，比如五十条由业务同事出的真实问题，逐条核对答案和出处，记录答对、答错、答不全的比例。这个数字能反映知识库的实际水平，也能看出调整有没有效果。国朝科技建议把这组问题固定下来，每次资料更新或方式调整之后重测一遍，比凭感觉判断可靠得多。
例如，假设一家企业想把人事制度做成问答。整理时就要把不同年份的版本挑出来，只保留现行有效的，标注生效日期，把附件里的表格转成文字。如果食堂补贴的标准在两份文件里写得不一样，系统会一会这样答、一会那样答，这时问题不在技术，而在资料本身没有对齐。
资料准备上有几个具体建议：格式尽量统一；过期的版本不要留在库里；同一条规则只保留一个权威出处；对特别重要的内容，在文件里就用清楚的标题和条目写出来，而不是藏在大段文字中间。这些看起来是编辑工作，但对最终效果的影响比换模型大得多。
上线前一定要留人工抽检环节。让熟悉业务的人随机问几十个真实问题，逐条核对答案和出处，把答错的整理成清单。这份清单既是检验结果，也是后续优化的方向。上线后还要明确一件事：谁负责在制度或资料变更时更新知识库。没人负责，几个月后答案就会开始过时。
有两条边界需要说清楚。第一，上传文档不等于已经完成知识工程：把文件丢进系统只是第一步，切片、去重、对齐口径、标注生效状态，才是真正让答案可靠的部分。第二，用了 RAG 也不能保证回答永远正确：检索可能没找对片段，资料本身可能有歧义。所以涉及对外承诺、金额、法律责任的问题，仍然要回到原文核实。
国朝科技建议把这件事拆成两步走：第一步先选一个资料相对集中、口径相对统一的主题做小范围验证；等答案质量稳定了，再逐步扩大范围。一上来就把全公司资料都塞进去，往往连问题出在哪都找不到。