用过知识库类 AI 的人多半遇到过这种情况问个问题AI 回答得头头是道仔细一看却是错的。问题往往不在 AI 不会说而在它找错了资料。为什么检索是 RAG 的命门RAG检索增强生成的原理是先检索、再生成AI 拿到用户问题先从知识库里把相关文档找出来再基于这些文档组织回答。所以一旦检索这步找错了后面 AI 再聪明也是在错误资料上编故事输出的就是那种「看起来很有道理、其实全错」的幻觉。整个 RAG 系统里八成的问题都出在检索这一环。检索不准通常有三种表现。一是召回不足该找到的没找到——用户问「退款流程」系统只搜到退货政策漏掉了真正的退款入口。二是召回噪音不该回来的回来了——问「怎么升级套餐」搜回来十条里有八条是过期的旧套餐信息。三是语义鸿沟用户的话和文档的话对不上——用户说「账号被锁了怎么办」文档里写的却是「账户锁定解除方法」字面不一致就匹配不到。业界 RAG 系统的平均检索准确率大概只有六到七成意味着每检索四次就有一次找错内容。这就是知识库类产品最常被吐槽「答非所问」的根源。RAG 的五个环节越靠上游越关键一个完整的 RAG 检索链路有五个环节从上游到下游依次是知识库质量、切片策略、Embedding 向量化、检索策略、重排序。每一环都会影响最终准确率而且越靠上游影响越大。知识库质量是天花板——垃圾进垃圾出文档本身过时、混乱、重复后面再怎么优化都有限。切片策略决定文档怎么切分切太大一段里混着多个主题检索时信息被稀释切太小上下文丢失AI 拼不出完整意思。Embedding 把文本变成向量向量质量直接决定语义匹配的精度。检索策略上纯语义搜索和混合检索语义加关键词的差距能到两成左右。最后是重排序对初次检索的结果做二次筛选准确率还能再提升一两成。这里有个原则值得记住先解决上游问题。上游的坑不填下游再怎么调优也是事倍功半。准确率分三档先做到可用再追可信检索准确率大致可以分三档。六到七成是低精度每三四次查询就错一次用户用几次就失去信任只适合内部试用这种低风险场景。七成五到八成五是中等精度大部分查询能命中偶尔需要人工兜底用户觉得「还行但不太靠谱」适合客服辅助、文档查询。九成以上是高精度绝大多数查询精准用户愿意持续用医疗、金融、法律这类容错率低的场景必须做到这个水平。这里有个性价比规律从七成做到八成五比从八成五做到九成五容易得多。所以别一上来就追求极致——先把准确率拉到八成五这条「可用线」是投入产出比最高的选择。产品经理在检索优化里该干什么检索优化常被当成纯技术的事其实产品经理必须深度参与——因为 PM 最清楚用户在查什么、什么样的回答对用户有用。具体来说有四件事。一是设定准确率目标不同场景门槛不同内部工具八成就够面向客户的产品要九成医疗金融这种高合规场景得九成五以上。二是建立评估体系比如每周抽样一百条查询做人工标注长期跟踪准确率趋势不然优化就是凭感觉。三是排投资优先级遵循「知识库质量 切片策略 检索方法 重排序」这个顺序钱和人力先投到上游。四是搭用户反馈闭环在回答下面加一个「这个回答有帮助吗」的按钮把用户报的坏 case 收集起来反过来驱动优化。最后避开三个常见误区。别以为「用了 RAG 就一定准确」——RAG 只是个框架准确率得逐环节打磨别以为「准确率到了九成就够了」——不同场景阈值不同金融可能要九成五也别以为「检索优化是技术一个人的事」——PM 不参与优化就没了方向。RAG 不是装上就准的银弹。检索准确率是产品经理和技术一起、从知识库到重排序一环环磨出来的而把它做到「可用」之上才是知识库类产品真正能留住用户的关键。