什么是知识库问答：把教材喂给 AI 的正确姿势

「第二教育网」是一个专注于优质教育资源导航与学习方法分享的第三方平台。本文将从方法、工具与实操几个角度，帮你把这件事一次看明白。

很多老师和家长试过把一整本教材上传给 AI，然后发现它要么答非所问，要么还是照着自己的记忆回答。问题通常不在模型，而在知识库的搭建方式。

第一步不是上传，是整理

原始资料的质量直接决定问答质量。扫描件要先用文字识别转成可编辑文本，识别后的公式和表格要抽查校正。排版混乱、页眉页脚混杂、题目与答案粘连的文件，会显著降低检索效果。

建议按"一个文件对应一个完整主题"的原则组织，文件名带上学科、年级、章节信息，这些都能作为元数据使用。

切分是最影响效果的一环

切分的目标是每个片段都包含一个相对完整的意思。常用的做法是按标题层级切：章、节、知识点各成一块，每块保留所属标题作为上下文前缀。

要避免两种极端：切得太碎，一个知识点被拆散在多个片段里，检索到的内容不完整；切得太长，片段里夹杂大量无关内容，干扰模型判断。实践中几百字的粒度通常比较合适，可在片段之间保留少量重叠，避免边界处的语义断裂。

提示词约束不能少

知识库问答的提示词里，必须明确写上几条硬性要求：

• 只依据检索到的材料回答，材料中没有的内容不得推测。
• 如果材料不足以回答，直接说明并指出缺少哪部分信息。
• 回答时标注引用来源，便于核查。
• 遇到与材料冲突的常识，以材料为准并向用户提示差异。

少了这些约束，模型很可能在材料之外自行发挥，知识库就白建了。

回答不准时怎么排查

先看检索是否命中。让系统把检索到的片段显示出来，如果正确的段落根本没被召回，问题出在切分或嵌入模型，需要调整粒度或增加关键词检索。

再看片段是否被正确引用。如果正确片段召回了但模型没采用，多半是提示词约束不够明确，或者片段排序靠后导致被忽略，可以增加返回片段数量并重新排序。

最后看材料本身。如果教材里根本没有相关内容，那模型答不出来是正确行为，说明资料需要补充。

一个容易被忽略的价值

知识库问答的产出不只是答案，还包括引用来源。让学生在得到回答后回到原书核实一遍，这个动作本身就是极好的信息素养训练。知道答案从哪来，比知道答案是什么更重要。