做过一个纺织工艺问答机器人。它的骨架并不复杂。把资料切开、存好，按问题找回相关段落，再交给大模型组织成回答。我最记得的一件事，是行业里的专有名词在通用搜索里经常出错。
我之前所在的一家纺织产业互联网平台想做这件事。平台手里有工艺手册、历史问答记录和标准操作流程，目标是让班组长用一句话查到工艺标准和操作规范，少翻手册，也少打电话去问老师傅。
先是对话框，后来改成了表单
早期版本是一个纯对话框。一句典型的提问，是“棉纱 40S 的捻度标准是多少？”
问题出在提问的人身上。工厂里的用户不习惯写完整的问题，很多人只打一两个词，或者只能描述一个模糊的现象。对话式对提问质量要求很高，一线工人写不出好问题，机器人接到的就是一个残缺的问题。
后来的迭代方向，是模板化引导。预设几个高频场景按钮，比如查工艺标准、查操作方法；每个场景配一个轻量表单，让人填品名和规格参数；表单内容转成标准问题，再去检索。回答出来以后，再问一句还要查什么。
复盘时我的判断是，对 C 端用户，对话式更自然；对车间里的操作工，表单反而更高效。
检索流程本身不花哨
资料先统一转成 Markdown，切成片段，向量化以后存进向量数据库。统一转 Markdown 之后，切片的质量明显提升。
用户一问，系统同时做两件事。一是用向量找语义相近的段落，二是用关键词匹配找字面相符的段落，然后把两边的结果加权排序。排在前面的段落，连同问题一起交给大模型，由它生成回答。
通用模型不认识行业词
踩坑是从搜索结果开始的。手册切片向量化以后，很多搜索不准，而且不准的方式很有规律。
“棉纱”和“全棉纱”在语义上很近，工艺标准却不一样。“活性染料”和“直接染料”在向量空间里靠得很近，化学成分却完全不同。带范围的数值，比如 pH 值的一段区间，语义搜索读不出“范围”是什么意思。
根因不复杂。通用的 Embedding 模型是在维基百科、论坛、新闻这类通用语料上训练的，它没见过纺织行业的分类体系。40S 在这个领域指纱线支数，放回通用语料里，它可能是别的意思。模型只能按字面和日常语义去猜。
我们做过几类缓解。提高关键词匹配的权重，措辞精确的用户搜索因此准了不少。对高频专有名词做同义词映射，比如用户说的“纱”和“纱线”，应当被当成同一个东西。对数值型内容加正则规则，直接匹配，不让向量去猜。
彻底的解法是微调一个专门的 Embedding 模型，但这需要标注大量行业数据。在当时的经济账上不划算，我们没有做。回头看，如果再做一次，这可能是优先级更高的投资。
如果重做，我会先改这几处
复盘时我想过重做的顺序，分成产品和技术两层。
产品上，先做表单式查询，不做对话式。B 端用户想要的是快速找到标准答案。高频问题可以先写死，RAG 只做兜底，回答更快，体验也更好。还要给回答加一个置信度。检索结果不够可靠的时候，系统不硬编，只告诉用户去查哪本手册的哪一页。
技术上，先攒几个月的搜索日志，人工标出一批问答对，再决定用哪种 Embedding 方案。专有名词词库和同义词映射，应该排在搜索算法优化前面。领域 Embedding 微调的投入大，长期回报也可能最高，但这一步要等数据攒够再说。
最大的教训是不要高估通用 AI 能力对垂直行业的适配度。行业数据的预处理质量，往往比模型选择更关键。