几万个 PDF 散在内网，想让 AI 准确回答“我们公司报销标准是什么”——本周掘金的《企业知识库问答 Agent 实战》告诉我们：真正吃时间的不是大模型，而是文档解析、向量化（把文字转成 AI 能“理解”的数字）、检索优化这些脏活。

这是什么

文章场景是某公司内网有几万份 PDF（制度、流程、项目文档），员工想用 AI 问答。技术方案是当下主流的 RAG（先让 AI 从文档库搜出相关段落，再基于这些段落回答，避免凭空编造）。

真正值得拆解的是它的“防幻觉三件套”：RAG 检索提供事实基础；“忠实度自检”——用 AI 检查 AI，每句断言都得在原文找到依据；“反思重答”——AI 觉得答案不确定就重查一次；查不到就明确说“未查到”，不硬编。外加 MCP（让 AI 接入企业内系统的协议标准）打通 OA、HR——AI 不只告诉你“制度是什么”，还能告诉你“怎么发起报销”。

行业怎么看

支持方认为这是企业 AI 落地的范本：过去两年大家都在卷大模型参数、跑 benchmark（跑分测试），但真正决定能不能用、敢不敢用的是文档处理质量、检索准确率、答案可追溯这些脏活。文章的“元数据三件套”（source 出处、dept 部门、type 类型）让检索能精准到部门，是工程上很少被讲透的细节。

但反对意见尖锐。一位企业 IT 负责人在评论区直言：落地要先解决三个真问题——扫描件 OCR（把图片里的文字识别出来）在表格、印章场景准确率往往不如宣传，源头数据就脏；文档每周都在更新，索引重建的成本谁出；最关键——“未查到”四个字中国职场员工不接受，他们要的是确定答案，不管对错。

另有声音提醒：MCP 现在还在协议层竞争，Anthropic 一家推得动不代表行业标准，押注过早有锁死风险。

对普通人的影响

对企业 IT：未来一两年内，AI 项目评估标准会从“能不能用大模型”转向“文档管道能不能跑通”。IT 部门要补的是数据治理能力，不是只懂云和服务器。

对个人职场：白领花在“找制度、查流程”的时间，未来可能被 AI 大幅压缩。但反过来——如果你的工作只是“知道某条规定然后告诉别人”，被替代的速度会比想象中快。

对消费市场：短期看不到直接影响。但企业内 AI 问答稳定后，下一波溢出到 To C 的，会是“AI 客服真能解决你的问题”——而不是现在这种答非所问的脚本机器人。