AI 回答不准确，怎样区分检索缺资料与生成误读？

定位回答错误的环节

用户发现答案有误时，常把问题笼统归结为“模型不够聪明”。但根因可能是资料从未进入索引、切分丢失上下文、查询没有命中、权限过滤排除了文档、检索到过期版本，或者模型误读了正确片段。只有区分这些环节，修复才有针对性。

建立有依据的测试问题

先为测试问题准备权威答案依据：准确文件、版本、段落、适用条件和不可回答时的预期行为。确认资料已获授权、可被索引。然后运行查询并保存检索到的文档 ID、版本、片段、排序和过滤原因；保护敏感资料，报告可用引用 ID 而非复制全文。

逐层定位检索或生成问题

若正确资料没有进入检索结果，检查源连接、解析、切分、索引状态、查询表达和权限过滤。若片段存在但答案漏掉限定条件，检查片段上下文和生成指令；若答案引用了错误版本，检查更新时间和来源优先级；若资料本身冲突，需明确冲突处理或转人工，不能让系统暗自挑选一个版本。

将错误分为检索不可用、检索不相关、资料过期/冲突、生成误读、无依据补全、权限异常和评估预期不清。每个用例保留相同版本、问题、来源和结果，避免只凭一次交互判断。修改检索参数后，也要复测其他问题，防止改善一个查询却损害另一类任务。

评估集应包含可回答、资料缺失、相似干扰、过期版本和权限隔离问题。由业务专家核验参考答案与允许的表述范围。不要把单次样本准确率宣传为整体可靠性，也不要通过无限加资料掩盖来源管理问题。