误区一：把文档堆进向量库，就算建了知识库。 文档没有清洗、没有分块、没有元数据、没有权限，检索出来的内容杂乱无章。模型拿到一堆噪声，只能生成看似合理实则错误的答案。
误区二：忽视权限，把敏感信息暴露给所有人。 知识库如果不在检索层做权限过滤，销售可能看到薪酬表，普通员工可能看到战略文档。这不是 AI 能力问题，是数据安全灾难。
误区三：只做向量检索，不做混合检索和重排。 向量检索擅长语义相似，但对专有名词、编号、精确条款不敏感。用户问“ISO 27001 第 8.2 条”，向量检索可能返回一堆泛泛的安全文档。混合检索+重排才能兼顾语义和精确匹配。
误区四：没有评测集，凭感觉判断好坏。 “我觉得回答得还行”不是评测。没有标准问题集、没有标准答案、没有命中率指标，就无法知道系统到底行不行，也无法判断优化是否有效。
误区五：场景太大，追求“万能问答”。 一上来就想让 AI 回答所有问题，结果每个场景都浅尝辄止。正确做法是选一个高频、边界清晰的场景，做到 90 分，再横向扩展。
误区六：只建不运营。 知识库不是一次性项目。文档会更新、组织会调整、业务会变化。没有持续的内容运营、反馈处理和评测迭代，知识库三个月后就会失效。
为什么说根源不在模型？因为在 RAG 架构中，检索决定上限，生成只是表达。如果检索没有找到正确知识，再强的模型也只能靠猜；如果检索找到的是过期或冲突信息，模型也只能输出错误。模型能力决定的是语言流畅度和推理能力，而企业 AI 的准确性、时效性、安全性，主要由知识库和检索工程决定。
要跳出误区，建议按这个顺序推进：先盘点数据源，再治理文档，再建检索和评测，最后才调模型和提示词。先小场景闭环，再逐步扩展。先解决“答得对”，再追求“答得好”。模型是最后一步，不是第一步。