AI PROJECT CASE STUDY
RAG 智能客服知识库
把零散客服资料整理成可检索、可追问、可维护的知识结构，让用户问题从关键词匹配走向场景化解答。
需求洞察 Requirements Insight
不是资料不够，而是资料太散客服信息分布在 FAQ、表格、产品说明和业务文档里，用户真正需要的是被整合后的答案。
用户不会按关键词提问真实问题常常混合产品型号、故障描述、购买顾虑和使用场景，单纯关键词匹配很容易漏答。
答案必须有边界客服回复不能泛化复述，需要知道适用条件、信息来源和什么时候继续追问。
方案设计 Solution Design
先拆知识类型把标准 FAQ、复杂表格、业务说明和思维导图分开处理，避免所有资料混在一起检索。
再清洗答案边界围绕 7 类资料整理问题表达、答案适用条件、相似问法和不可回答范围。
最后设计追问流程让系统在信息不足时继续澄清，而不是直接给出一个看似完整但不可靠的答案。
设计日志 Design Log
- 先定义知识库，而不是先调模型。我先判断哪些资料值得入库、哪些内容需要拆表、哪些信息更适合 FAQ。
- 把“能回答”拆成“能检索 + 能生成”。检索决定答案是否有依据，生成决定答案是否像客服能直接说出口。
- 把复杂问题留给多轮澄清。当用户问题缺少型号、场景或故障条件时，流程优先补齐信息，而不是过早生成答案。
效果评测 Evaluation Metrics
3类核心知识库结构
7类数据清洗
多轮问答流程校准
下一步 Next Steps
下一步会继续补充真实用户问题样本，用命中率、追问成功率和人工复核结果来评估知识库结构是否足够稳定。