上个月我们组新来了三个人，入职第一周问的问题高度重合：年假怎么算、报销走哪个系统、客户资料能不能外发。带教的老同事一天被打断七八次。

后来他干脆把答案贴成群公告，公告越滚越长，谁也找不到。动机很朴素，我想让这些重复问题自己消化掉。

真正动手才发现，最花时间的环节在理资料上。我们把散在各个盘的文档收拢成六个主题：人事制度、报销财务、产品手册、客户案例、技术支持、常见问题。每个主题只留最新一版，历史版本挪进归档目录。

这一步我花了两个整天，占了整个工作量的一大半。当时嫌慢，事后看是最值的一段。

切分这块也踩过坑。默认的分块大小对制度手册挺合适，碰到对话式的 FAQ 就太粗，一条问答被切成两半，问到后半截就答不出来。我的做法是把 FAQ 单独拆成一行一条再传，宁可多花半小时整理。

还有个设置容易被忽略，就是回答里要不要加「如果知识库里没有，请直接说不知道」。不加这句，它会一本正经编一个很像样的答案，出处和文档名都给得出来，看不出破绽。加上之后答不上来的比例从零变成大概一成，这才是真实水位。

FastGPT 偏知识库问答，上传文档就能训练出能答问题的应用。它对面试题、制度手册这类结构化内容处理得稳。我们第一批灌的就是制度手册和 FAQ，问「试用期多久」「差旅住宿标准多少」，命中率高得超出预期。

短板也得讲。文档格式一杂它就翻车，扫描件 PDF、带合并单元格的表格、截图里的文字，读出来常常是断的。我的处理办法是先转成干净的 docx 或 md，表格拆成纵向字段，再上传。

它擅长从原文里找答案，遇到要跨几份文档综合归纳的问题就吃力。你问「我们公司福利整体水平怎么样」，它给不出像样的总结。所以别指望它替你做判断。

想做得更灵活，Dify 的工作流能力更强，能把检索、调用接口、生成回答串成一条链，适合要接多个系统的场景。我们有个查库存的需求，答案不在任何文档里，得去调内部接口，这种只能靠编排解决。

代价是门槛。逻辑节点要自己搭，我第一次配通一条链折腾了小半天，中间因为变量命名对不上卡了很久。团队里没人愿意啃这个的话，先拿 FastGPT 把问答跑起来更现实。

部署方式也得提前想。Dify 私有化部署牵扯服务器和运维，小团队直接上云版本省心不少。具体版本和价格以官网或 App 内为准，别照抄网上的旧截图。

导入别一次性全丢。我先放一个主题，问二十个问题，看答案来源对不对，再放下一个。全量导入的毛病在于出问题你定位不到是哪份文档在捣鬼。

测试问题要提前攒。上线前我拉了三个老同事各列十五条真实高频问题，凑了四十多条当测试集。

这一句可以直接照抄去问：「你是新入职的员工，请只用知识库里的制度回答，试用期多长时间，转正需要走什么流程，未通过转正会怎样。」

跑下来有六条答不上来，翻回去一看，文档里压根没写，全靠口头约定。这类东西补不出来，只能补文档。

有个例子印象很深。同事问「客户返点能不能给到十五个点」，库里只写了审批流程，没写额度。它答上来的是流程，那位同事看完以为结论是不能给。

后来我们把问数值的问题统一打回给负责人，AI 只答流程，不答额度。

权限别忽视。涉及薪酬、客户信息的知识库，要设好谁能问、问到什么程度，避免内部信息外泄。我们按部门分库，薪酬单独一个库，只对 HR 和部门负责人开放，实习生账号默认只能看通用制度那一库。

上线后还有个坑，答案没人信。一开始大家问完还要找人再确认一遍，等于没省事。后来我们在每条回答下面挂了出处和文档名，能点开看原文，信任度才慢慢建立起来。

这一步别省。

成本也要算一算。每天几百次问答，消耗不算小，尤其有人拿它当聊天用。我们在应用说明里写了句「只问制度，不聊天」，后台的提问记录也连着看了两周，把明显跑偏的问法补进 FAQ。

两个月后的效果是这样的，重复性问题里大概七成由知识库直接消化，剩下三成要判断或跨部门协调，本来也不该交给 AI。

维护比搭建重要。我们定了个规矩，制度每次更新，改文档的人顺手在群里发一句「知识库已同步」。没人干这活，三个月后库里全是过期答案，比没建还糟。

更多智能体工具见 AI 智能体。

你们公司那个「谁都问、谁都答不上来」的问题，具体是哪一条？