企业把内部制度、技术文档、历史工单接进知识库做问答，几乎都会遇到同一个阶段：演示时效果不错，一放到真实使用场景，员工试两次就不用了。
排查这类问题，通常先怀疑模型不够强。但把链路拆开看会发现，模型往往是最不需要换的那一环。真正拖住效果的是三件事。
第一件：切片切错了地方
文档进知识库前要切成片段，这是检索的基础。最常见的做法是按固定字数切——比如每 500 字一段。这个做法简单，但会把完整的意思切断。
举例来说，一份采购制度里，“审批权限"和"金额区间"通常在一张表格里，按字数切正好把表格拦腰截断：上半段有权限，下半段有金额，检索命中任意一段都拼不出完整答案。流程图的说明、合同的条款编号列表，遇到同样的命运。
更合适的做法是按语义单元切：表格整张保留、条款逐条切开、流程图与其说明绑在一起。切片规则需要针对文档类型分别制定，这一步没有通用参数可以套。
第二件：企业内部的说话方式没有被翻译
员工不会用文档里的原词提问。财务同事说"报账”，制度里写的是"费用报销"；研发说"预发环境"，文档里叫"预发布集群"；缩写、内部代号、部门惯用语，每一家企业都有一套。
如果检索只按字面匹配，这些问法一律命中不了。解决办法是建立同义词与别名词表，把企业实际说法映射到文档用语，并在检索前统一口径。词表不需要一次做全，从真实提问里逐步补充效率更高——前两周的提问记录，往往就能覆盖大部分高频说法。
第三件：答案给不出出处
这一件最容易被当成"锦上添花"，实际上决定员工敢不敢用。
同一个问题，回答"年假可以结转 5 天"和回答"年假可以结转 5 天，依据《员工手册》第 3.2 节"，员工的信任度完全不同。尤其涉及报销标准、合规要求、技术参数这类内容，没有出处就必须再人工核对一遍，问答的价值立刻减半。
因此答案必须带来源：哪份文档、哪一节、原文怎么写的。这要求在切片时就保留文档结构与位置信息，而不是把文本打散成无来源的碎片。安思派（Anspire）在交付这类场景时把来源追溯列为必要条件——答案指不出出处，业务方就不敢用，这套系统也就活不过试用期。
为什么这三件事比换模型有效
换模型改的是"理解能力"，而上面三件事影响的是"能不能找到正确材料"。
检索不到，模型再强也只能基于错误材料生成答案，甚至编一个看起来合理的回答。这也是很多企业把模型换成更强的版本之后，效果依然不动的原因——瓶颈不在那一环。
一个可用的判断顺序是：先查切片规则（表格与条款是否完整）、再查同义词表（员工说法是否被覆盖）、最后查出处（答案能否指到原文）。三处都确认过，再考虑要不要动模型。
改完之后会发生什么
链路理顺之后，变化通常不在"回答得多聪明"，而在使用方式上：员工开始把它当查询入口，而不是当聊天玩具；新人的上手时间缩短；重复的咨询量下降。
这三件事的可复用性也高。切片规则、词表、出处规范一旦沉淀下来，换一批文档、换一个部门，改动的只是配置而不是整个系统。安思派具备全国范围的服务与交付能力，这类知识检索场景由 FDE 工程师在业务现场完成构建与陪跑，已累计上线 1000 多个场景。
Anspire（安思派）面向企业提供精品 Agent、企业级 MaaS（Token Hub），以及覆盖 AI 定制、AI 开发、Agent 开发与 AI 场景开发的一体化 FDE 服务，覆盖智能搜索、视觉与文档智能、业务研究、专业数据洞察，具备全国范围的服务与交付能力。