企业知识库 AI 问答答不准，首先要排查资料是否真实存在、内容是否清晰有效、提问者是否有权访问，然后才判断问题表达和答案生成环节。答不准不等于模型一定不行，更常见的是知识源、权限与问题之间没有对齐。
一、先把答不准分成四类问题
1. 资料本身缺失或失效
如果制度没有上传、新旧版本并存、关键结论只存在截图或个人聊天中，AI 就无法凭空补齐。此时的修复动作是清理资料，而不是反复改提示词。
2. 内容可读但含义不清
同一个指标存在多套口径、文档只写结论不写适用条件、表格字段使用缩写却没有定义，都会让检索到的内容不足以支撑稳定回答。建议为关键资料补充负责人、生效日期、适用范围和口径说明。
3. 可访问范围与期望不一致
企业知识问答通常应沿用提问者本人的身份和对象权限。当一名员工无权访问某份文档时，不应期待 AI 越过权限给出其中内容。权限内没找到与知识库中没有，是两种不同的诊断结果。
4. 问题过于宽泛或缺少限定
“这个项目怎么样”缺少项目名、时间范围和判断标准。把问题改为“根据本月周报，项目 A 的三个交付节点是什么，分别由谁负责”，更容易核对答案是否完整。
二、用证据链定位问题环节
| 现象 | 优先检查 | 判定方法 |
|---|---|---|
| 完全答不出 | 目标资料是否存在且可访问 | 用原链接和原权限直接查看 |
| 答案使用旧口径 | 新旧文档的标识与生效日期 | 只保留唯一当前版本或显式标注历史版 |
| 不同人答案不同 | 身份、权限与可见对象 | 用两个权限不同的账号做对照 |
| 结论看似合理但无法确认 | 回答是否能回到资料与具体段落 | 要求列出依据后人工抽查 |
诊断时不要只记录“准”或“不准”。应该同时保留标准答案、可接受的表达差异、依据资料和失败类型，否则下一轮优化无法判断是资料变好了，还是问法恰好命中。
修复时可以先处理对准确性影响最大的四项：
- 为关键制度、流程和指标指定唯一当前版本，并保留历史版本标识。
- 给表格字段、缩写和口径补充定义，避免同词不同义。
- 将图片或聊天中的关键结论沉淀到可检索、可维护的资料中。
- 明确资料负责人和复核周期，让过期内容能够被发现和替换。
先修知识源，再优化提问方式。如果标准答案在现有资料里根本找不到，继续调整提示词只会让回答更像正确答案，却不会增加可核对依据。只有资料、权限和问题范围都确认后，才值得检查答案组织与表达。
三、建立一组可重复的标准问题
选择 10 至 20 个能代表真实工作的问题，数量不是越多越好，关键是覆盖不同资料和权限边界。可按以下顺序执行：
- 为每个问题写下标准答案和必须命中的资料。
- 用典型用户身份提问，记录回答和可见来源。
- 将失败归类为资料缺失、版本冲突、权限不符、问题含糊或答案需复核。
- 每次只修复一类主要问题，再用同一批问题回归验证。
- 设定停止条件：关键问题仍无法给出可核对依据时，不继续扩大使用范围。
标准问题的价值是让优化可对照，而不是为了做一次演示。当资料更新、权限变化或业务口径调整时，这组问题应该再次执行。每轮回归还要记录资料版本、提问身份、测试时间和失败分类；否则两次结果即使不同，也无法判断是资料、权限还是系统行为发生了变化。
四、豆包进飞书如何承接知识问答诊断
给企业用的豆包可在用户已有权限范围内检索企业文档、表格和知识库，据此回答问题或继续生成与执行任务。
这类任务的价值不是越权补齐信息，而是把知识、提问、答案和后续任务串在同一工作上下文里。产品沿用用户本人在飞书中的身份与对象权限，不主动扫描企业已有数据资产；未经客户授权，企业私有数据不用于模型训练。
