主题
08 - 内容治理与冷启动
一句话：知识底座上线失败，多数不是检索不准，而是库里没有可信答案——所以冷启动的第一件事不是接引擎，是给每个主题定一个权威源、给每份文档找一个负责人；没人认领的文档进了库，只是把没人管的答案变成机器在传播的错答案。本栏按内容侧优先排处置顺序，判据是下面的四分体检，不依赖任何统计断言。
一、先承认问题在内容侧
技术链路能承诺“进得来的都能查到、查不到的会说没有”，它无法承诺“库里的内容是对的”。企业真实场景的三种失败，责任都在内容：
| 现象 | 看起来像 | 实际是 |
|---|---|---|
| 答非所问且引用真实存在 | 检索差 | 库里那份文档本身就过期，引用没错，内容已废 |
| 同一问题两个答案 | 模型不稳定 | 两份文档互相冲突，且没有指定谁是权威 |
| 员工不用，回退问同事 | 采纳差 | 他问的范围压根没人维护，问一次错两次就再也不问 |
结论一句：检索质量决定上限，内容治理决定地板。地板没铺，越准的检索只是把错答案说得越肯定。
二、权威源与负责人
一个主题只允许一个权威源，其余全部降级为参考。这条没有替代方案，多源并存时任何检索策略都只是在猜哪份更新。
| 角色 | 负责 | 交付物 |
|---|---|---|
| 内容负责人 | 单份文档的正确性与时效，回答“这条还有效吗” | 复审记录、下线确认 |
| 知识库管理员 | 一个知识域的权威源清单、冲突裁决、密级判定 | 权威源清单、裁决记录 |
| 平台运维 | 链路可用、权限生效、容量与备份 | 验收证据（见 06） |
三者不能合并。负责人兼管理员，会出现“自己判定自己文档可信”；管理员兼运维，权限审批与放行会走同一个手。
冲突裁决规则要写死，不靠模型判断：时间新者优先只在同一权威源内成立；跨源冲突时按权威源清单裁定，未列入清单的一律不作为答案依据，并在回答里给出“该主题存在多个说法”的提示，而不是选一个看起来合理的。
三、存量文档先体检再入库
企业文档不能整库直连导入。先做四分：
扫描看五项事实：负责人是否存在；最后更新时间与声明的复审周期是否匹配；同主题是否存在冲突（靠主题标识判定，不是靠人眼看标题）；是否含不适合被检索与引用的内容（个人信息、未发布财务数据、内部代号清单）；许可是否允许再用——转载、外部授权、开源许可三类来源必须能回答“我们有没有权利把它答给别人”。
主题标识与权威源清单要真存下来：主题 ID 由管理员在知识域内维护，文档元数据携带该 ID，权威源标记随检索结果返回（见 02 §五）。没有这两项，上面的“无冲突”判定与答案里的“存在多个说法”提示都退化成人工眼看和模型自觉。
四项里没有一项是技术问题，都是内容管理问题；但四项都不做，后面所有检索调优都在给噪声排序。
四、时效与生命周期
每份文档挂三项元数据，缺项即“待归位”、不进默认检索（与 01 的就绪判据同一条口径）：负责人、复审周期、生效状态（现行 / 待复审 / 已废止）。
| 状态 | 检索行为 | 答案里的表现 |
|---|---|---|
| 现行 | 正常召回 | 直接引用 |
| 待复审 | 可召回 | 引用附带“该内容已超过复审期，请以最新发布为准” |
| 已废止 | 不召回：由服务端过滤条件里的生效状态执行（见 03），不靠删除文档 | 仅在被明确追问历史版本时受控给出，并标注废止 |
过期是静默失败：不报错、不告警，只是答案一天天变错。所以复审周期的提示必须在答案里可见，而不是只在管理台里标红——没人看管理台。
五、冷启动的顺序
不要按“部门全覆盖”推进，按“问题闭环”推进。
- 选三个高频高代价场景：判断标准是同一问题每天被问很多次、答错的代价能算出来（合规口径、报销与审批规则、故障处置手册）。
- 评测集先于建库：每个场景先出 30 到 50 个真实问题与标准答案来源，再去找文档。顺序反过来，就会变成“库里有什么就答什么”。
- 小库上线，公开拒答：范围窄、答案硬，宁可说“未覆盖”，先建立“它答的能信”这件事。
- 用拒答清单反推扩库：把“查不到”的问题按主题聚类，决定下一个入库对象。扩库由真实需求拉动，而不是由部门配合度拉动。
- 每扩一个域，重跑一次门禁：新域的文档质量、术语习惯与旧域不同，平均值会骗人，分桶看。
第 2 步是最常被跳过的一步，跳过的结果是三个月后没人能说清“这套系统到底覆盖了什么”。
六、结构化数据划界
制度问答与数据查询是两件事，本栏只做前者。
| 维度 | 知识检索 | 数据查询（指标 / SQL） |
|---|---|---|
| 真相载体 | 文档，允许有措辞差异 | 表与指标口径，不允许近似 |
| 错误形态 | 答得不准、引用错 | 数字算错，看起来一样可信 |
| 权限模型 | 文档与密级可见性 | 行级列级权限、指标授权 |
| 校验方式 | 评测集与人工复核 | 口径对账、结果可重跑 |
| 变更节奏 | 随制度发布 | 随数仓模型变更 |
把数据库接进知识库一起召回，会出现最危险的一种错误：模型用一份旧报表文档里的数字，回答了一个本该实时计算的问题。
接法只有一条：数据查询走独立的受控工具（按指标语义层或模板化查询授权），与知识检索在编排层并列，各自返回各自的可信范围；知识库里不放实时数字，只放指标的定义与口径说明。边界写在这里，避免上线后被“顺手也接个数据库吧”推着走。
七、边界
- 本栏给治理口径与推进顺序，不给通过线；覆盖率、复审及时率、拒答率的目标值属业务约定。
- “谁来看内容”是组织决定，不是技术默认值。平台能提供的是让它被看见：无人认领的文档不进默认检索，过期在答案里提示，冲突在回答里显式说明。
- 内容合规审核（涉政、暴恐、侵权、个人信息裸露）不由引擎提供，需外部服务或人工承担；未接入前，高风险内容类型在本节四分阶段直接判“拒收”，不要靠事后检索过滤兜（见 03、06）。
- 多模态一期不做（见 06）：音视频与图文混排的深度解析不承诺，体检阶段直接判为“需改写”或“拒收”，不要指望链路自动补齐。