周一上午，老李盯着屏幕上的 AI 回答，保温杯差点从手里滑出去。
“咱们的产品有 100 多个功能？”他念出声来，“我怎么不知道？”
小王凑过来看了一眼，AI 的回答里赫然列着“功能 73：智能推荐系统（已废弃）”、“功能 89：语音输入（内部测试版，从未发布）”、“功能 102：团队协作白板（仅存在于某封邮件中的脑洞）”。
“这是上个月你把全公司的邮件、Slack 消息、废弃的 PRD 全灌进知识库的结果。”小王语气平静，“AI 把闲聊、半成品方案和正式功能一锅炖了。”
老李眉头拧成疙瘩：“多塞点文档总没错吧？知识越多越聪明，这道理不对？”
“老李你想啊——你家的书架，如果塞满了过期杂志、盗版书、小孩的涂鸦本和外卖菜单，你还能快速找到那本《资治通鉴》吗？”
老李张了张嘴，没说出话。
知识质量的四个维度
“知识不是越多越好，是越靠谱越好。”小王走到白板前，写下四个词。
准确：“这是最基本的一条。知识库里写的必须是事实，不是某个人的臆想。那个‘功能 73 智能推荐系统’，三年前在邮件里提过一次，后来根本没立项。把这种信息当正式功能告诉用户，就是在造谣。”
完整：“一份产品文档，如果只有功能介绍没有参数限制，AI 回答‘API 调用频率限制’时就会漏掉关键信息。不完整的知识比没有知识更危险——它让人误以为自己掌握了全部。”
一致：“同一个问题，知识库里不能有两个互相矛盾的答案。‘年假是 10 天’和‘年假是 15 天’如果同时存在，AI 随机选一个回答，用户会以为我们在耍他。”
新鲜：“过期的知识是毒药。旧的 API 文档、废弃的技术方案、已离职员工的信息——如果不标时、不清理，AI 就活在时空错乱里。”
老李盯着这四个词，缓缓拧开保温杯：“那我们现在的知识库，这四个维度打分能有多少？”
“准确度大概 60%，完整度 40%，一致性和新鲜度——没测过，但我猜不超过 50%。”
老李差点被枸杞呛到。
自动化质检：让机器当“知识保安”
“那怎么办？人工一条条审？我们团队就五个人，文档上万份。”老李显然想到了那个十五层目录树的噩梦。
“不用全人工，大部分脏东西可以用自动化检测抓出来。”小王打开终端，开始搭一个质检管道。
第一关：重复检测。 相同或高度相似的文档块不仅浪费存储，还会在检索时占据多个排名位置，把真正有用的信息挤出去。
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np
def find_duplicates(embeddings, texts, threshold=0.95):
"""找出语义高度重复的文档对"""
sims = cosine_similarity(embeddings)
duplicates = []
for i in range(len(sims)):
for j in range(i+1, len(sims)):
if sims[i][j] > threshold:
duplicates.append((texts[i][:50], texts[j][:50], sims[i][j]))
return duplicates
# 在实际管道中，把重复的文档标记为"需合并"或直接归档旧版本第二关：矛盾检测。 用自然语言推理模型判断两条陈述是否存在冲突——比如“年假 10 天”和“年假 15 天”会被检出。
def detect_contradiction(statement_a, statement_b, model):
"""用 NLI 模型检测两条知识是否矛盾"""
result = model.predict(f"{statement_a} </s> {statement_b}")
# 如果结果是 contradiction，触发人工复核
if result == "contradiction":
return True, statement_a, statement_b
return False, None, None第三关：过期检测。 基于文档元数据中的日期或版本信息，自动标记超过一定时间未更新的文档，或新版本出现后仍未下架的旧版。
老李看着小王演示，突然问：“那如果我写‘产品支持 8 种语言’，但实际上只支持 4 种，机器能发现吗？”
小王摇头：“这类错误需要外部事实校验——机器做不到。必须人工抽检。”
“所以自动化负责找‘低级错误’——重复、明显矛盾、明显过期。人工负责做‘事实核查’。”
知识清洗管道：入库前的五道安检
“这样，”小王在白板上画了一条流水线，“我们给每份要入库的文档，设五道安检。”
图：知识入库五道安检
“格式检查——是不是乱码？段落有没有丢失？去重检测——是不是已经有了？矛盾检测——会不会跟现有知识打架？时效标记——这信息有效期到什么时候？最后一道，人工抽检——每周抽 5% 的新入库文档做事实核查。”
老李指着最后一步：“那如果抽检发现问题呢？”
“整批打回，修完再审。质量这东西，松一个口子，整体就崩了。”
质量仪表盘：让知识健康状况一目了然
“光检还不够，”小王补充道，“得有个监控。”
他切到一个仪表盘页面，几根柱状图赫然在目：“这是‘知识体检报告’——每周自动跑一次。重复率、矛盾数、过期文档占比、各分类下的完整度评分。趋势不对就亮黄灯，跌出阈值就报警。”
老李凑近屏幕，看到“技术文档”分类下的准确度评分是 92%，而“会议记录”分类只有 47%。
“看到了吧？不是你塞进去的所有东西都同等重要。会议记录完整度低、矛盾多，但用户很少搜它。技术文档只要准确度一下降，用户投诉立马涨。质量投入也要分优先级。”
老李靠在椅背上，保温杯在手里转了好几圈。
“行。这个月先把技术文档和 FAQ 的质检管道跑通。邮件和 Slack 消息——全部下架，只留经过人工整理的摘要。”
他站起来，走了两步又停住：“那什么……你刚才说的矛盾检测模型，它是怎么判断两句话打架的？能区分‘年假 10 天’和‘年假 15 天’是矛盾，但‘产品支持 Linux’和‘产品需要 Windows 服务器’算不算矛盾？这个阈值怎么定？给我看看那个 prompt。”
小王笑了，把 NLI 模型的推理日志调出来。老李端着保温杯凑过去，枸杞在杯里晃晃悠悠，像质检管道里那些被来回筛检的知识碎片——有些被留下，有些被轻轻地扫了出去。
