原文摘要
AI 知识库到底是什么？
进一步信息揣测
- 数据治理的隐性成本：企业常低估数据清洗和标注的投入，实际需耗费大量人力（尤其是非结构化数据），且需持续维护，否则知识库准确率会快速衰减。
- 技术适配的坑：预训练模型（如BERT）在垂直领域效果可能不佳，需额外微调或结合规则引擎，但供应商通常不会主动提及这点，导致初期效果不达预期。
- 知识图谱的维护难题：行业内部经验表明，知识图谱的关系更新需高频人工干预，自动化程度有限，后期运维成本可能远超预算。
- 语义检索的局限性：实际应用中，用户查询意图模糊时（如多义词），系统易返回无关结果，需预设大量业务规则兜底，但这类优化方案很少公开讨论。
- 付费工具的内幕：头部厂商的“黑盒”API（如智能问答模块）常按调用次数收费，企业若未规划好流量控制，可能遭遇隐性成本暴增。
- 冷启动陷阱：初期知识库需填充足够多的优质数据才能见效，但供应商往往淡化这一点，导致企业过早放弃或误判项目失败。
- 内部阻力：跨部门数据共享是知识库的核心，但实际推进中常因部门利益（如数据所有权）受阻，这类组织问题极少在公开案例中提及。
- 效果评估的误导：厂商演示多用理想化场景，真实落地时需自定义指标（如回答准确率、人工接管率），但这些关键评估方法需额外付费咨询获取。