从关键词检索到语义问答：内容系统如何为 AI 检索做好准备

许多内容系统最初围绕关键词检索设计：文章入库时建立标题、标签与正文索引，用户输入词语后，系统根据匹配程度返回链接列表。生成式问答普及后，检索链路多了一层要求——系统不仅要找到相关文档，还要把可靠片段交给模型，让模型在有限上下文中生成可核验的回答。

这类架构通常被概括为“检索增强生成”。它并不是简单地把全文塞进提示词，而是先对内容进行切分和向量化，再根据问题召回若干片段。切分粒度会直接影响效果：片段过长，容易混入无关信息并浪费上下文；片段过短，则可能丢失标题、条件和结论之间的关系。

一种实用做法是按照内容结构切分，而不是只按固定字符数截断。文章标题、章节层级、代码块和列表都可以作为边界，同时为每个片段保留来源地址、更新时间与所属文档。这样，模型生成答案时既能获得完整语义，也能返回可点击的引用，方便用户继续阅读原文。

内容质量同样决定检索上限。如果文档中存在多个互相冲突的版本，向量检索可能同时召回旧规则与新规则。系统应明确文档状态，将过期资料归档，并在索引中加入生效时间、业务范围和权限标签。对于内部知识库，权限过滤必须发生在召回阶段，不能等模型生成答案后再做文本遮盖。

评估也不能只看回答是否流畅。团队可以建立一组真实问题，分别检查召回片段是否相关、引用是否准确、回答是否遗漏条件，以及找不到依据时模型能否明确表示不确定。把检索质量和生成质量分开测量，通常比只对最终回答打分更容易定位问题。

从工程角度看，AI 检索不是替换现有搜索系统，而是在内容治理、索引和权限能力之上增加新的交互层。基础数据越清晰，模型越容易给出稳定答案。与其把全部希望寄托在更大的模型上，不如先让每篇文档具备清楚结构、可靠版本和可追溯来源，这些改进对传统搜索和语义问答都会产生长期价值。