知识库：让 AI 用你的资料回答

你可能已经遇到过这种尴尬

你让 AI 回答一个很具体的问题：

CAP 患者经验性抗感染方案怎么选？

AI 回答得挺像那么回事，还提到了常见指南推荐。

但问题是，你们科室今年刚更新过自己的分级用药规范：

• 三级抗菌药物必须满足什么条件才能上
• 哪些患者要先报备再用
• 哪些本院常见菌的经验性覆盖策略和教科书不一样

这些内容，通用 AI 不知道。

你再换个问法，它还是不知道。你让它"请基于我们科室规范回答"，它也不知道，因为你根本没把规范给它。

这就是 L3 这一节要解决的问题：不是让 AI 去外面查，而是让 AI 先翻你自己的资料。

---

为什么 MCP 还不够？

上一节我们学了 MCP。它解决的是一个很重要的问题：让 AI 能查外部的权威数据库。

但医疗工作里，还有很多知识并不在公开数据库里：

• 你们科室自己的操作规范
• 医院内部的会诊流程
• 本地化的抗菌药物管理制度
• 某个课题组自己积累的研究资料
• 你给规培生上课时常用的一套内部讲义

这些内容不是 PubMed，也不是公开指南。MCP 再强，也查不到。

所以到了这里，你会发现：

一句话记：往外查用 MCP，翻自己的资料用知识库（技术实现上常叫 RAG，见下文）。两者互补，不是二选一。

---

什么是知识库？

先用最直白的话说

在 AI 场景里，知识库的意思不是一个多高深的数据库系统。它更像是：

你先把一批指定资料交给 AI，AI 回答问题之前，先从这批资料里找相关内容，再基于找到的内容回答。

重点不在"存进去"，重点在"回答前先翻资料"。

和你平时工作的类比

想象一下你带规培生查房。

规培生问："主任，我们科室对中性粒细胞减少合并发热的经验性抗感染怎么处理？"

你不会只凭记忆随口讲。你很可能会说：

1. 去把科室今年更新的《发热性中性粒细胞减少管理规范》拿来
2. 翻到抗感染那一节
3. 看看高危、低危患者的分层
4. 再结合病人的具体情况给出建议

知识库对 AI 做的事情，就是这个流程。

所以它和普通上传文件有什么区别？

很多 AI 工具也支持你"上传一个 PDF 然后提问"。这当然有用，但那更像是临时带一本书来问问题。

知识库的意义在于：

• 资料是提前准备好的
• 可以长期反复用
• 可以让多个同事共用
• 可以接到智能体里，变成一个固定能力

上传一个 PDF 是一次性使用，知识库是把这件事做成长期能力。

下面要说的 RAG，就是对「先检索、再回答」这套做法的技术称呼——和上一段讲的是同一件事，只是换了一个你在外文资料里常见的名字。

---

RAG 是什么？为什么大家老提这个词？

一句话解释

RAG = Retrieval-Augmented Generation，中文常翻译成"检索增强生成"。

不用背英文。你就记一句：

RAG 的意思就是：先检索，再回答。

它到底在干什么

RAG 背后其实只有两步：

1. 检索（Retrieval）：先从你给它的资料里找到最相关的几段
2. 生成（Generation）：再基于这些段落组织成一段自然语言回答

如果只看本质，它和你自己干活很像：

所以不要把 RAG 想得太神秘。它不是"让 AI 突然记住了你的所有文档"，而是让 AI 每次回答前都先查一下你给它的资料。

为什么它不是"真的记住了"

这是零基础学员最容易误解的地方。

很多人会说："我把 20 份指南丢进去，AI 就学会了。"

不准确。

更准确的说法是：

• 这些资料没有重新训练模型
• 模型本身并没有被"改造"
• 只是你提问时，系统会先从资料里找相关内容，临时喂给模型

这就像考试时老师允许你带一本书进考场。不是你把整本书背会了，而是你考试时可以翻书。

这也是为什么大多数课程会把 RAG 叫做"开卷考试"。

---

再往前一步：AI 是怎么"找到那几段"的？

这一段是整节课里最偏理论的地方，但你不需要怕。我们只讲到够用为止。

不是按关键词死搜

如果你电脑里有 10 份文档，你用 Word 的搜索功能搜"肾功能不全"，它只能找到字面上出现"肾功能不全"的地方。

但 AI 知识库更厉害一点。它经常能理解：

• "慢性肾病 3b 期"
• "eGFR 38"
• "肾功能下降"

这些说法虽然不完全一样，但语义上可能是相关的。

向量化：把文字变成"语义坐标"

你不需要懂数学，只需要理解这个类比：

系统会把每一段文字都变成一个"语义坐标点"。语义接近的内容，会被放在比较近的位置；语义差很远的内容，会离得比较远。

比如：

• "糖尿病饮食管理"
• "血糖控制目标"
• "胰岛素起始方案"

这些内容在语义空间里会比较近。

而：

• "糖尿病饮食管理"
• "医院设备采购流程"

就会离得很远。

所以当你问一个问题时，系统不是只看有没有一模一样的关键词，而是会找语义上最接近的那几段内容。

这就是为什么你明明问的是"肾功能下降时二甲双胍怎么处理"，它也能找到文档里写着"eGFR 下降时 metformin 减量/停用建议"的段落。

你要记住的只有一句话

知识库不是在背全文，而是在帮 AI 更聪明地翻资料。

---

搭一个知识库，到底要准备什么？

零基础用户最容易犯的错误，是觉得知识库就是"把一堆 PDF 扔进去"。这当然能跑，但效果常常很差。

知识库效果好不好，70% 取决于你喂进去的资料质量。

第一步：先想清楚这个知识库是给谁用的

不要一上来就建一个"全科室万能知识库"。那通常会变成一个大杂烩，什么都有，什么都答不准。

更好的做法是先回答三个问题：

1. 谁来用？ - 自己用 - 科室同事用 - 规培生用 - 患者教育用

2. 主要解决什么问题？ - 值班查药 - 科室流程问答 - 教学答疑 - 科研资料检索

3. 希望它回答到什么边界？ - 只回答科室内部规范 - 只回答某个病种相关问题 - 不回答诊断决策，只回答流程和资料类问题

这一步很像你做课题设计时先定研究问题。范围不清，后面一定乱。

第二步：选 3-5 份最核心的资料，不要贪多

新手第一版知识库，不建议超过 5 份文档。原因很简单：资料越多，噪音越多；你越难排查到底哪里出了问题。

优先选这几类：

第一版最好的组合通常是：

• 1 份最新版核心规范
• 1 份常见问题整理
• 1 份关键流程文档

先把这三份跑通，比你一开始塞 30 份资料强得多。

---

文档准备：最容易被忽略，但最影响效果

不是所有 PDF 都一样

对人来说，PDF 都是"能打开就行"。但对知识库来说，PDF 的质量差别非常大。

效果从好到差大致是这样：

一个原则：能用文本，就别用图片

如果你手头既有 Word 版规范，又有打印扫描版 PDF，优先用 Word 导出的文本版。

因为知识库不是给人看版式的，它要的是可被机器稳定读取的文字内容。

分段要清楚

知识库系统通常会把文档切成很多小段，再去检索。对机器来说，这些小段越清晰越好。

所以在准备文档时，尽量满足这些特征：

• 标题层级明确
• 每一小节只讲一个主题
• 表格尽量有清晰表头
• 不要把多个完全不同的主题混在一个长段里

比如这两种写法：

不太好：

发热处理、抗菌药物使用、出院评估、病人宣教、随访安排全部写在一大段里，没有小标题。

更好：

发热处理流程

抗菌药物升级标准

出院前评估清单

出院宣教要点

对人更清楚，对知识库也更友好。

---

动手搭一个最小可用知识库

这一节不追求搭一个很大的系统，我们只追求：做出第一个能稳定回答问题的小知识库。

场景示例：做一个科室值班知识库

假设你想做一个给科室值班医生用的小知识库，回答以下类型的问题：

• 发热性中性粒细胞减少怎么分层
• 肾功能不全时某些药怎么调整
• 住院总夜班常见会诊流程怎么走

第 1 步：准备资料

选 3 份文档：

1. 《发热性中性粒细胞减少管理规范（2025 版）》
2. 《常用抗菌药物肾功能调整表》
3. 《夜班常见会诊与上报流程》

注意三个要求：

• 只用最新版
• 去掉重复和冲突版本
• 尽量使用电子文本版

第 2 步：选一个平台

零基础新手用下面两个就够了：

你不需要纠结哪个最好。先用一个把流程跑通，比研究平台差异重要得多。

第 3 步：上传资料

把这 3 份文档上传到知识库模块里。大多数平台会自动完成：

• 文本提取
• 分段切块
• 建立检索索引

这里你不需要懂背后的技术参数，先让系统跑起来。

第 4 步：写清楚使用边界

很多人一建好知识库就直接开始问问题，但更好的做法是先加一句系统说明，比如：

你是科室值班辅助助手。回答问题时，优先基于知识库中的科室规范和流程文件。若知识库中没有明确依据，请直接说明「知识库中未找到明确依据」，不要自行编造。

这一步很关键，因为它决定了 AI 是不是会老老实实按你的资料回答。

第 5 步：用标准问题测试

不要随便问一个问题试试就算了。你需要设计 3 类测试题：

一个知识库好不好，不是看它答对了一个简单问题，而是看：

• 有的内容能不能答准
• 没有的内容会不会乱答
• 多份资料能不能整合得清楚

---

测试时，你到底要看什么？

很多人测试知识库，只看一句："嗯，回答看着还可以。"

这不够。

你至少要看四件事：

1. 它引用的是不是对的那份资料

如果你明明问的是 2025 版规范，它却引用了 2023 年的旧文件，那就说明资料管理有问题，或者旧版没删干净。

2. 它抓到的段落是不是关键段落

有时候资料是对的，但它抓到的是边角信息，没有抓到真正决定答案的那一段。这会导致回答"方向没错，但不够准"。

3. 它会不会把不同文档混着说

如果两份文档的口径不一致，AI 可能会把它们拼在一起，形成一个谁也没写过的"混合答案"。这在医疗场景里很危险。

4. 资料里没有时，它会不会诚实说不知道

这是最重要的底线之一。

好的知识库不是"什么都答"，而是：

• 有依据时答得清楚
• 没依据时老老实实说没有

---

常见翻车点

1. 把旧版和新版同时扔进去

结果：AI 一会儿引用 2023 版，一会儿引用 2025 版，答案前后不一致。

解决办法：只保留最新版。 旧版要么删掉，要么单独归档，不要混在同一个知识库里。

2. 文档太杂，主题不清

结果：一个知识库里既有抗菌药物规范，又有教学安排，又有行政通知，AI 检索时噪音极大。

解决办法：按用途拆知识库。

比如：

• 值班知识库
• 教学知识库
• 科研知识库

比一个大杂烩知识库强得多。

3. 扫描 PDF 质量太差

结果：本来文档里写的是"eGFR < 30 停用"，OCR 识别成了别的数字，后果可想而知。

解决办法：关键规范尽量用电子文本原件，不要偷懒。

4. 以为上传完就结束了

结果：知识库上线第一天还挺准，三个月后指南更新了，内容已经悄悄过时。

解决办法：知识库不是一次性工程，是要维护的。

---

知识库怎么维护？

维护的本质不是"经常加资料"

很多人一上来就疯狂往里塞东西。实际上，知识库维护更重要的是三件事：

1. 更新旧资料
2. 删除冲突资料
3. 定期抽查回答

最简单的维护节奏

如果你是个人或小团队使用，一个非常实用的节奏是：

指定责任人

哪怕只是科室内部用，也最好有人负责：

• 谁能上传新资料
• 谁能删除旧资料
• 谁来确认更新后的回答是否正常

如果没人管，知识库很快就会变成一个"资料越积越多、答案越来越乱"的垃圾场。

---

MCP 和知识库，什么时候用哪个？

这一节最重要的一张表，就是这张：

如果要用一句最容易记住的话来概括：

• MCP = 往外查
• 知识库 = 往里翻

而一个真正好用的智能体，往往两者都要有。

---

动手试一试

1. 先别贪大，选 3 份最核心的资料
2. 用扣子或 Dify 建一个最小可用知识库
3. 设计 3 类测试题：命中题、边界题、对比题
4. 重点观察两件事： - 该答的时候答得准不准 - 不该答的时候会不会乱编

如果你只做完这四步，这节课就已经学到位了。

---

本节小结

本节带走：

• 一个包含 3-5 份核心文档的最小可用知识库
• 一套知识库测试方法：命中题、边界题、对比题
• 一个核心认知：知识库不是把资料堆进去，而是把你们的工作规范变成 AI 能调用的"内部参考书"。

下一节，我们就把前面三节学到的东西拼起来：自定义指令和 Skill 负责"怎么说"，MCP 负责"去外面查"，知识库负责"翻内部资料"，然后一起封装成一个真正能给同事用的智能体。