RAG实战 - 门店运维AI知识库：让AI分清小米华为

原文首发于人人都是产品经理，作者：李嘻嘻 原文链接：点击查看

老板们都以为智能客服0到1，上线就完事儿，但其实上线只是开始，后面漫长的优化部分才是常态。

我们刚给几千家连锁门店上线了智能客服，本以为接入了大模型（RAG），就能像个"老师傅"一样解决所有运维难题。结果上线第一周，转人工率直接翻倍：

• 收银机不出票： AI只会机械地回复"请尝试重启"，其实真实原因只是小票纸装反了
• 型号对不上： 员工问霍尔1902扫码枪，AI塞给人家1900系列的排查手册
• 品牌混乱： 问电视黑屏，店里用的是华为，AI教人家怎么调小米电视

1. 优化切片：拒绝"一刀切"

最开始为了省事，我们把几百页的手册按每500字"咔嚓"一刀切开。结果一个故障排查流程被拦腰斩断。

实战方案： 改成语义切块——让技术计算句子间的亲密度，当内容从"软件设置"跳到"硬件连线"时，相似度骤降，这时候再下刀。

加"名牌"： 给每张切片打元数据标签（Brand=华为, Model=1902），员工提到特定型号时AI能瞬间精准定位。

2. 优化召回策略：混合检索

很多公司只做语义检索，但型号代码差一个数字就是两个物种。

组合拳：

• 关键词搜索： 死磕"1902"、"华为"这种硬词
• 语义搜索： 理解"扫不出货"和"没反应"是一个意思
• 动态权重： 员工提到具体型号时，大幅提升关键词权重

准确率直接拉到85%以上。

3. 给卡片装上"搜索天线"

用大模型生成QA对，把枯燥的说明书变成问答形式，给标准答案装上无数个"天线"，不管员工问得多么五花八门，都能被精准捕捉。

写在最后

别把RAG当成大模型的外挂，它更像是一个需要你手把手教的图书管理员。

地基稳了，大模型读出来的内容才不会误人子弟。当系统"答非所问"的投诉降了90%，我也终于敢直面店长们的群消息了。

延伸阅读：RAG基础搭建看向量知识库五步法；多轮对话记忆看AI Agent记忆系统。

---

关于作者

李嘻嘻，9年产品经理 + 3年AI实践者，专注于AI产品落地和工具开发。

• 个人站：https://yourhelper.me
• 项目：FormAI、TargetLink、XixiType等6个AI工具