本周一篇 Java 技术教程给出一个我们认为所有 AI 项目负责人应该记住的数字：0.78——一个判断 AI 是否'答得上来'的相似度阈值。当用户提问与知识库最相近条目的匹配度低于这个数，系统就该拒答、转人工，而不是硬编答案。这是检索增强生成（RAG）系统最基础、也最容易被忽略的设计。

这是什么

嵌入向量（Embedding）把句子转成一串数字，语义相近的句子在数字空间里方向也相近。两个向量方向有多一致，用余弦相似度（Cosine Similarity）衡量，越接近 1 越像，接近 0 就是不相关。

顺着作者的代码看：用 Java 17 调 OpenAI 的 Embeddings 接口，搭了一个三条 FAQ 的小检索器：用户问'买错商品怎么换'，系统把问句转成向量，与知识库里的问题向量比相似度，挑出最像的候选；如果最高分低于阈值，提示转人工。

它把 RAG 拆成'找证据'和'写答案'两段，并强调'找证据'本身就有价值，不依赖最新模型。

行业怎么看

作者抛出一个反主流观点：最近大模型更新频繁，很多人以为'换新模型就能解决幻觉'（AI 一本正经地胡说）。作者说'检索门槛不应随生成模型名称变化而消失'——无论 GPT-3 还是 GPT-5，都要认真设计'答不上来怎么办'这道防线。

但反对意见要冷静听：阈值 0.78 只是教学起点，不是适用于所有语言和业务的标准。阈值高了会拒掉本该答对的，低了又回到胡说八道；这背后是召回率（少漏报）与精确率（少误报）的权衡，需要反复调试，不是装上就好。

另一个被忽视的风险是工程成本：演示里每次查询都重算 FAQ 向量，实际生产必须提前算好存起来，只对新查询调接口——否则 API 成本和延迟会爆炸。

对普通人的影响

对企业 IT：上线 AI 客服或知识库前，先回答'什么情况下系统应拒绝回答'，比争论用哪家最新模型 ROI 高。

对个人职场：用 AI 工具别被它的'自信语气'骗了，背后有没有靠谱的检索底座、会不会胡说，才是判断值不值得用的关键。

对消费市场：评价一个 AI 客服，别只看'它能不能回答'，更要看'它会不会承认不知道'——后者才是成熟产品的标志。