落地 3 个企业 AI 项目，我总结了 8 个没人说的真实细节从做第一个 RAG 知识库到现在，前前后后落地了 3 个企业级 AI 项目，有内部知识库，也有面向业务用户的智能问答系统。踩过文档混乱、权限失控、模型幻觉、响应慢、业务方不满意等不少坑，也总结了很多教程里不会说的真实细节。今天分享 8 条生产经验，看完能帮你在做 AI 项目时少走很多弯路。1. 80% 的用户问题，根本不用走大模型很多人一做 AI 项目，就默认所有问题都交给大模型。但实际上，高频常见问题，用关键词匹配、FAQ 缓存、业务规则库就能解决，又快又省钱。真正需要 RAG + 大模型 的，往往是那 20% 的长尾问题、复杂推理问题、跨文档综合问题。所以项目初期不要急着全量上大模型，先把高频问题沉淀成规则和缓存，体验和成本都会好很多。2. 文档不是越多越好，过时文档反而会拉低准确率做企业知识库，最容易犯的错就是一股脑上传所有文档。旧制度、旧流程、旧版本说明，如果没有清理，很容易和新规定冲突。大模型看似引用了资料，实际上可能引用的是已经失效的文档。更稳妥的做法是：文档上传时
落地 3 个企业 AI 项目，我总结了 8 个没人说的真实细节从做第一个 RAG 知识库到现在，前前后后落地了 3 个企业级 AI 项目，有内部知识库，也有面向业务用户的智能问答系统。踩过文档混乱、权限失控、模型幻觉、响应慢、业务方不满意等不少坑，也总结了很多教程里不会说的真实细节。今天分享 8 条生产经验，看完能帮你在做 AI 项目时少走很多弯路。1. 80% 的用户问题，根本不用走大模型很多人一做 AI 项目，就默认所有问题都交给大模型。但实际上，高频常见问题，用关键词匹配、FAQ 缓存、业务规则库就能解决，又快又省钱。真正需要 RAG + 大模型 的，往往是那 20% 的长尾问题、复杂推理问题、跨文档综合问题。所以项目初期不要急着全量上大模型，先把高频问题沉淀成规则和缓存，体验和成本都会好很多。2. 文档不是越多越好，过时文档反而会拉低准确率做企业知识库，最容易犯的错就是一股脑上传所有文档。旧制度、旧流程、旧版本说明，如果没有清理，很容易和新规定冲突。大模型看似引用了资料，实际上可能引用的是已经失效的文档。更稳妥的做法是：文档上传时
)
