企业上了知识库、上了 RAG，AI 还是答不准。这时候大多数人的第一反应是换模型、调参数。但百盛AI 自己的经验是：问题往往不在模型，而在语料——不是语料不够，是语料没人给它做「体检」。
先问一句：你的知识库，敢不敢拿出来「体检」？
我们见过太多这样的情况：一家企业说「我们有几十万条语料」，但真到要对外交付、要拿它去答客户问题的时候，却答不准、答不对、甚至答出不该答的东西。
追到根上，你会发现一个共性：大家只知道「有多少条」，却不知道这些语料能不能被信任。有没有空文本？有没有重复？向量是不是完整？里面的敏感信息脱没脱？数据是今天刚更新，还是三个月前就停了？——这些，没几个人答得上来。
于是我们把这件事做成了产品化的动作：给语料做体检。就像人每年做体检，不是等病了才去查，而是用一组固定的检查项，定期把身体的状态量出来。
一份能「复现」的体检清单，长什么样
我们的语料体检清单一共 9 项检查。它有一个铁原则：每一项都必须能用一条只读命令复现，输出的是数字，不是形容词。
「数据很干净」不是结论，因为「干净」没法核对。能核对的是「空正文 0 条」「重复 0 条」「向量维度异常 0 条」——数字对不上，谁都能一眼看出问题。这 9 项是：
- 总规模：总条目、域数、会话数三项同时报，而不是只报一个「总数」；
- 空正文：空文本没法向量化，有就得回填或剔除；
- 域内重复：同一域里同内容的条目，多了要先去重再谈规模；
- 跨域同文本：同一条内容落到多个域，要查是不是导入路径重复计费；
- 向量质量：embedding 有没有空、维度对不对；
- 脱敏覆盖率：能不能用字段自证「已脱敏」；
- 入库新鲜度：最新一条是几小时前进来的，管道是不是还活着；
- 语料集中度：是「真多域」还是「名义多域、实际单域」；
- 留存策略：数据有没有过期口径，还是打算永久堆着。
这 9 项里，任何一项硬伤（FAIL）都会让整份体检判「不及格」；只有软性的治理缺口（WARN）则如实标注为「警告」。把「硬缺陷」和「待定口径」分开，是体检能被信任的前提。
五种「幻觉」：知识库最容易自欺的地方
用这套清单查了两年自己家的库，我们把最常出现的自欺归纳成五种「幻觉」。名字是比喻，但每一种背后都对应一条真检查项：
- 规模幻觉：只报「总条数」，不报空文本、重复、维度异常——数字看着大，能用的是另一回事；
- 域名幻觉：号称「覆盖 N 个域」，实际绝大部分语料堆在一个域里，其余只是文档搬运；
- 合规幻觉：嘴上说「已脱敏」，但拿不出覆盖率数字，无法自证；
- 新鲜度幻觉：数字写完就不再刷，采集管道停摆了都没人知道；
- 留存幻觉：数据默认永久保留，从没人拍板该留多久、该过期什么。
知识库最危险的状态，不是「数据少」，而是「数据看起来多，但没人能说清它能不能用」。
一次真实体检，揪出三个「警告」
清单好不好用，得拿真数据跑一遍。我们把自家经验库做了一次体检，结果是 38,666 条语料、12 个域、3,027 个会话。硬伤（FAIL）是 0，但揪出了三个「警告」（WARN）——这三条，恰恰是大多数企业知识库都会踩的坑：
- 脱敏覆盖率只有 0.09%：38,666 条里只有 36 条带了脱敏字段。这不等于「泄密」（数据在建库环节可能已经处理过），但它证明我们无法用字段自证「已脱敏」——对外交付前必须按域抽检留证，而不是拿这个数字当合规结论；
- 语料集中度 99.3%：绝大多数语料和会话都集中在单一域，其余 11 个域只有少量批量导入。「12 域」是名义覆盖，实际是「单语料源」，跨域检索目前没有第二个域能撑起来；
- 留存策略为 0：全库没有一条过期设置，属治理决策缺口，不是技术缺陷——但它没人拍板，就一直悬着。
这三条「警告」都不是代码 bug，却比 bug 更值得重视：它们不是「算错了」，而是「没被管起来」。
体检的价值，是把「感觉」变成「数字」
我们为什么这么看重这份清单？因为企业 AI 落地最贵的一环，往往不是训练，而是信任——你的知识库敢不敢被拿去答客户、敢不敢被拿去做交付。
体检解决的不是「让数据变多」，而是「让数据变可信」。它把「我们库挺全的」这种感觉，换成「空正文 0、重复 0、向量异常 0、最新入库 5.3 小时前」这种能被第三方核对的数字。
对百盛AI 来说，这份清单还有一个身份：它是我们「数据资产变现线」的第一个可复用产物——对内是经验库的日检口径，对外是一套「RAG 语料体检」服务的检查骨架。先把自家库跑干净、跑透明，才有资格去帮客户给他们的库做体检。
如果你也在做企业知识库、做 RAG，不妨先问自己一句：我的语料，敢不敢拿这 9 项一项一项过一遍？
官网：szbsai.com