很多企业在做AI知识库时，卡住的地方不是技术，而是内容本身。资料散落在不同部门、不同格式里，直接丢给AI，回答往往不准确。温州晟成科技在服务制造类企业时，通常先从已有资料出发，按三个动作整理：分类、打标签、拆问答。
一、按业务线、产品线、客户问题做分类
分类不是把文件放进文件夹，而是让AI知道「这条内容属于哪个业务范围」。
- 业务线分类：比如一家阀门企业，业务线可以分为「产品介绍」「选型支持」「售后维护」「合作方式」。每条内容先归到一条业务线，避免AI把售后问题当成产品介绍来回答。
- 产品线分类：同一业务线下再按产品系列细分。例如阀门下面分球阀、闸阀、截止阀，每个系列单独成组，参数、材质、适用场景放在一起。
- 客户问题分类：把销售和客服日常被问到的问题单独归一类，比如「交期怎么算」「能不能定制材质」「出口包装标准」。这类内容最接近真实提问，AI调用频率最高。
分类完成后，每份资料只属于一个主分类，交叉内容用标签补充，不重复建组。
二、给内容打标签，让AI能跨分类调用
标签解决的是「一条内容可能被多个问题命中」的情况。
- 属性标签：材质、口径、压力等级、适用介质、出口市场。比如「不锈钢」「DN50」「出口东南亚」这类词，方便AI在回答具体选型问题时精准定位。
- 场景标签：客户使用场景，如「化工管道」「水处理」「高温环境」。场景标签能让AI在回答「什么场景用哪种阀门」时，把分散在产品线里的内容组合起来。
- 状态标签：区分「标准品」「定制品」「停产型号」。没有这个标签，AI容易把已停产型号当成在售产品推荐给客户。
标签数量控制在每条内容3到6个，太多会互相干扰，太少起不到区分作用。
三、把长文拆成问答对，让AI更容易调用
企业现有资料多是产品手册、技术文档、公司简介，篇幅长、信息密。AI直接读长文，回答容易断章取义。
- 拆法：一段长文里，每个独立信息点拆成一个问答对。比如产品手册里「安装注意事项」一节，可以拆成「安装前需要检查什么」「管道连接方式有哪些」「常见安装错误怎么避免」三个问答。
- 写法：问题用客户实际会问的说法，不用内部术语。答案控制在三到五句，先给结论，再给必要说明。
- 保留出处：每个问答对标注来源文档和更新日期，方便后续核对，也方便AI在回答时说明信息依据。
以温州某阀门公司为例，原有产品资料约四十页，按上述方法整理后形成约两百条问答对，覆盖产品选型、交期、包装、售后四类高频问题。整理过程中没有新增内容，只是把已有信息重新组织。
四、整理完之后的维护
内容梳理不是一次性的。产品更新、交期调整、市场变化，都会让部分问答对失效。建议每季度核对一次状态标签和交期类问答，把过期内容标记或替换，避免AI调用旧信息。
温州晟成科技在企业AI知识库建设服务中，把内容梳理作为独立环节，先整理再接入，减少后期反复调整。