RAG 知識庫是什麼？讓 AI 真正懂你的企業

每一位猶豫要不要導入 AI 客服的老闆，心裡都有同一個惡夢：AI 對客人一本正經地胡說八道——報錯價格、承諾不存在的服務、編造退貨規則。這個惡夢有個技術名字叫「幻覺」，而防止它的架構，就是 RAG。看懂 RAG，你就看懂了商用 AI 及格與不及格的分界線。

RAG 是什麼？先查資料、再回答

RAG（Retrieval-Augmented Generation，檢索增強生成）的流程說穿了很簡單：

1. 客人提問：「你們雷射除毛一次多少錢？」
2. 系統先從你的知識庫檢索最相關的段落（價目表裡的除毛療程區塊）。
3. AI 根據檢索到的內容組織回答——而不是憑模型的「印象」瞎猜。

有出處，才有商業上的可信度。答案找不到依據時，及格的系統會說「這個問題我幫您轉給專人」，而不是編一個。

知識庫的品質，決定 AI 的智商上限

同一套系統，知識庫整理得好不好，體驗可以差三倍。我們整理客戶知識庫時遵守三個原則：

1. 一段一件事

每個段落只講一個主題。一大篇「服務總介紹」對人友善、對檢索不友善——切成「除毛療程與價格」「術後注意事項」「預約與取消規則」三段，命中率立刻不同。

2. 用客人的語言寫，不是用你的

你的文件寫「光纖粉餅雷射」，客人問的是「那個打斑的」。同義詞、口語說法、甚至常見錯字，都要補進知識庫。知識庫是寫給客人的問題看的，不是寫給老闆看的。

3. 把「答不出來的問題」當金礦

好的系統會記錄 AI 未命中的問題清單。每週花三十分鐘看這份清單、補上缺的內容——這是讓 AI 越用越聰明唯一的正道，沒有捷徑。

可以餵什麼進去？

價目表、FAQ、服務規章、官網內容、產品手冊，甚至過往的 LINE 對話紀錄。成熟的系統能自動切段、建立索引；你的工作是確保內容本身是對的——垃圾進、垃圾出，這條定律在 AI 時代只會更嚴格。

顧問的行動建議

評估任何 AI 客服系統時，問廠商三個 RAG 問題：「回答能不能標出來源？」「答不出來時的行為是什麼？」「未命中問題有沒有清單可看？」三題有一題支吾，就換一家。

延伸閱讀：智能對話解決方案。