资料清洗与知识库维护：脏活怎么干

企业资料通常脏在哪？

我们把接手过的资料问题归成五类，几乎每个项目都能对上号：

脏法	表现	对问答的影响
多版本并存	同一制度有 2023、2024、2025 三个版本	答出旧口径，最严重
扫描件与图片	盖章版 PDF、拍照的纸质件	检索不到，等于没入
格式混乱	双栏、跨页表格、正文里嵌图	切分错位，答案断章取义
叫法不统一	同一零件三种叫法，同一岗位四个名称	检索命不中
过期未删	停产型号、撤销的制度仍在库	答了不该答的

五类里，第一类和第五类危害最大，因为它们会让系统「自信地答错」。第三类最费工，需要人工校验表格。第二类最容易被低估——扫描件看着在库里，其实一个字都检索不到。

清洗一遍要多久？

按资料规模估，这是我们在项目里用的经验值：

• 20–50 份：3–5 个工作日。主要是去版本、去页眉页脚、拆表格。
• 50–200 份：2–3 周。要分批评测，边清边验。
• 200 份以上：先做筛选，不全清。按使用频次挑前 100 份，其余做「能查到、能给链接」即可。

时间主要花在两类动作上：判断哪份是最新版（要业务的人拍板，不是技术活）、修复表格结构（机器做八成，人工补两成）。纯文本的清理由脚本完成，占比不高。

清洗通常占整个项目工时的 40%。如果供应商报的工时里清洗只占 10%，基本可以判断他没打算认真清。

谁来判断哪份是最新版？

这是清洗里不能外包的部分。技术方可以列出「疑似重复」的清单，但哪份有效必须由业务部门确认。做法：

1. 先做重复检测。按文件名、标题、正文相似度聚类，把疑似同源的文档列成一张表。
2. 标出候选。每组里按修改时间与版本号排序，给出建议，但不替业务决定。
3. 业务确认。由归口部门在表上勾「保留 / 作废」，签字。这一步通常 1–2 小时能完成。
4. 入库打标。保留的写生效日期，作废的标为已替代，不删除但排除检索。

这一步看起来慢，实际是最省时间的：不确定版本，后面所有调优都是在错误基础上做。我们见过一个项目，清理版本前后答对率从 51% 涨到 84%，模型一点没改。

过期内容怎么自动发现？

靠人盯会漏，靠机制更稳。四个办法按成本从低到高：

• 入库必填失效日期。制度、手册、证书都有有效期，填了就能自动提醒。成本最低，见效也快。
• 定期比对源目录。知识库与文件服务器做一次差异比对，源文件被删或被替换的，库里标为待复核。
• 按引用频次反向查。三个月没人问到的内容，抽一批人工看一眼是否已过期。
• 用户反馈按钮。答案旁放「这条已过期」，收集到的进复核队列。真实用户比任何机制都敏感。

四个办法一起用，过期内容的发现周期能从「半年后偶然发现」缩到「一个月内」。这件事的价值在于防错，不在于省事。

维护要几个人、多久一次？

不需要专职团队，但不能没人。最小配置：

角色	投入	做什么
内容负责人（业务方）	每月半天	提供新版文件、确认作废、审核待补清单
技术对接人（IT）	每月 2 小时	账号权限、系统对接、看日志与报错
使用方代表（1–2 人）	每季度 1 小时	抽检 20 条答案，反馈答不准的

再加两个固定动作：每月一次 30 分钟复盘（看失败问题清单）、每季度一次全量抽检。全年投入不超过 20 人时，但能把答对率稳定在 80% 以上。

最怕的是「上线即交付」。制度一年改几次，手册一年改一版，没人跟版，半年后答对率必掉。这部分成本要在立项时就说清，别等到出问题才吵。

不清洗直接做会怎样？

三个阶段，逐步恶化：

• 第 1 周：演示效果还行，因为挑的是干净资料问的。
• 第 2 个月：真实提问上来，答错集中在版本混淆与扫描件上，用户开始不信。
• 第 4 个月：没人用了。此时再想救，得从头清资料，等于重做一遍。

不清洗省下的两三周，后面要花两三倍时间补。而且中间损失的信任很难修复——一个员工被错了两次，就不会再打开。

答不准的具体调优方法见知识库检索不准怎么优化；手册类资料的解析处理见产品手册与技术文档知识库。交付范围与周期写在企业AI知识库服务页。

揽明AI 团队深耕 B2B 企业服务 19 年，累计服务企业 5000+，办公地在苏州高新区，苏州本地可上门。预约一次 30 分钟诊断，把资料目录发过来，我们给一份「哪 50 份先清、哪批建议先别做」的清单，不收费。