最近在一个银行知识问答项目里，我围绕一个问题和客户讨论了将近一个小时。
对方希望智能体能回答这样的问题：
“全行十五战略规划和我们部门2026年计划的重叠部分有哪些？”
乍一看，这是个再正常不过的问题。
但恰恰是这个问题，让我发现企业在做知识问答项目时最容易犯的错误：边界失控
今天我就借这个场景，和大家聊聊三个避坑关键判断：
判断一：什么问题，是问答智能体能解决的？
知识问答智能体，本质上只做一件事：
从指定知识库里，检索并整理已有信息。
比如：
• 全行十五战略规划是什么？
• 数据部2026年度计划是什么？
• 某个产品的审批流程是什么？
这些问题都有一个共同特征：它们是“信息查询”。
智能体做的事是：
1. 提取query关键词
2. 在指定知识库中检索
3. 整理已有内容
4. 输出结构化答案
这类问题，在标准问答智能体的能力边界之内。
判断二：什么问题，已经超出问答智能体的能力？
再回到刚刚那个问题：
“全行战略和部门计划的重叠部分是什么？”
看起来这也是在问知识。
但拆开来看，其实是要完成三个动作：
1. 查询A：全行战略
2. 查询B：部门计划
3. 对A与B进行逻辑对比与关系分析
这三步连起来，就已经不是单纯的知识检索了，而是：跨库调用->多结果合并->逻辑判断->内容生成的全套工作流。如果企业没分清这层边界，就会误认为AI什么问题都能回答。
判断三：什么需求该单独立项？
很多企业在推进这种问答智能体项目时，会不自觉地扩大需求范围：
• 既然能查全行公开知识，那顺便把部门内部知识库也挂上吧
• 是不是可以再加一个统一入口
• 需要支持跨部门分析
• 除了按部门，也要支持按条线检索
• 除了对内还要支持对外客户知识查询
这时候的专业做法，不是全部答应，也不用一刀拒绝，而是要分层分步给出建议和计划：
第一层：支持标准问答能力
第二层：提供跨库整合能力
第三层：叠加工作流生成能力
不同层级，采用不同架构、不同预算、不同的交付方式。
否则，所有能力都压在一个“问答入口”上，最终牺牲的一定是准确率。
如果你也在做知识问答智能体，并且陷入到了需求越加越多、复杂度越来越高的情况，欢迎留言讲讲你现在的困惑。
很多问题的关键解法不是砍需求，而是要分清边界和层级。
#企业AI应用#企业智能化转型#企业AI应用陷阱#企业智能化误区
