---
配图位 1（把图命名为 case19-1.jpg 放进 assets/）
「乱仓库」文档堆 vs「图书馆」分类知识库对比图，横版 16:9
一、先认清楚：为什么塞得越多，AI 越笨
直觉上"喂的料越多，AI 越聪明"——这恰恰是知识库 AI 最大的误区。
真相是：AI 每次回答，只能"看"有限的内容。 你塞几千份进去，它一次回答时，会从里面捞几段"看起来相关"的拼起来。问题就出在这个"看起来相关"：
- 几千份文档里，一堆主题接近但其实不该混的内容（比如老版制度和新版制度、A 部门和 B 部门的同名流程）。
- AI 捞的时候分不清新旧、分不清部门，把不该放一起的拼一起，于是胡说。
- 文档越多、越杂，这种"捞错"的概率越高——所以塞得越多，反而越乱。
问题不在 AI 的脑子，在你给它的"仓库"是乱的。
---
二、关键转念：别给 AI 一座乱仓库，给它一个分好类的图书馆
想象两种找书的场景：
- 乱仓库：几千本书堆在一个大屋子里没分类，你让人去找"关于 X 的资料"，他只能乱翻，翻到啥算啥。
- 图书馆：书按类别上架、贴好标签，你说要哪一类，管理员直接走到那个区，精准取出几本相关的。
AI 接知识库是一模一样的道理：
乱塞 = 乱仓库，AI 大海捞针；分门别类 + 按需载入 = 图书馆，AI 精准取书。
「马到陈工」做企业知识库 AI，核心动作就是把你的乱仓库，改造成 AI 能精准取书的图书馆。
---
三、「马到陈工」的落地法：分门别类 + 按需载入
第一步：给知识"分门别类、贴标签"。
我们先帮你把文档按主题、部门、场景、新旧版本分好类，贴上清晰的标签。乱成一团的几千份，变成结构清晰、有索引的知识体系。这一步是基础，决定了后面 AI 准不准。
第二步：让 AI"按需载入"，不一次性全看。
用户问问题时，AI 先判断"这个问题属于哪一类"，只精准载入相关的那一小撮文档来回答，而不是在几千份里乱捞。范围小了、相关性高了，答得自然准。
第三步：持续维护，新旧分明。
知识库会不断更新，我们帮你建立"新文档进来怎么归类、旧文档过期怎么处理"的机制，让图书馆始终保持整洁，AI 始终取得到最新、最对的那一份。
这正是「马到陈工」做知识库 AI 的核心心法："知识库 AI 准不准，九成不取决于模型多强，取决于你的知识有没有'分门别类'——先把仓库变图书馆，AI 自然会取书。"
---
四、它一次性解了知识库 AI 的几个老大难
| 老板/团队的困扰 | 这套方法怎么破 |
|---|---|
| AI 答非所问、胡乱拼 | 分类 + 按需载入，只看相关文档 |
| 新旧文档混淆、引用过期内容 | 按版本分类，AI 优先取最新 |
| 不同部门同名流程串了 | 按部门贴标签，AI 不跨界乱取 |
| 塞得越多越乱 | 不靠"多"，靠"分得清、取得准" |
一句话：你以为知识库 AI 失败是模型不行，其实只要把知识"分门别类"，普通模型也能精准答。
---
配图位 2（把图命名为 case19-2.jpg 放进 assets/）
「分门别类 + 按需载入」示意图：几千份文档分类编目 → 按问题精准检索 → 每次只喂 AI 相关的一小堆 → 答得准
五、落地步骤：老板今天可以这样动
- 先盘知识库现状： 现在文档有多少、散在哪、有没有分类、有没有过期没清理的。
- 别急着接 AI： 忍住"赶紧接上问答"的冲动，先让「马到陈工」帮你把知识分门别类、贴标签。
- 从一个高频场景试点： 先挑一个"员工天天要查"的场景（比如制度查询、产品资料），把这一类整理好、接上 AI 验证效果。
- 验证准了再扩类： 这一类答得准了，再逐步把其他类别整理、接入。
- 建立维护机制： 让「马到陈工」帮你定好"新文档怎么归类、旧的怎么清"，保持图书馆长期整洁。
---
六、常见问题（FAQ）
我文档几千份，分类是不是要累死人？
不用全人工。「马到陈工」会用 AI 辅助做初步分类、打标签，人只需要审核和校正关键部分，效率比纯手工高很多。而且可以先从最高频的一两类入手，不必一次全做完。
是不是文档质量差也没救？
质量差确实影响效果，但"分门别类"本身就是一次梳理的机会——分类过程中能发现过期、重复、矛盾的文档，顺手清理。整理后的知识库不仅 AI 用得好，人查也方便。
分好类以后，新来的文档怎么办？
这正是"维护机制"要解决的。我们会帮你定好新文档进来的归类规则（甚至自动归类），让图书馆持续保持整洁，不会用着用着又乱回去。
换个更强的大模型，是不是就不用分类了？
模型再强，也救不了"乱仓库"。再聪明的人，在一堆没分类的书里也找不准。分门别类是地基，地基不打好，换什么模型都白搭。 这也是「马到陈工」反复强调的：先治知识，再谈模型。 > 延伸： 如果你的公司知识库塞了一堆文档，接上 AI 却越答越乱——别怪 AI 笨。「马到陈工」可以帮你把"乱仓库"改造成 AI 能精准取书的"图书馆"，让知识库 AI 真正答得准、用得上。