# RAG 檢索做不好，不是模型爛，是你的知識庫沒整理。

> AI 應用 · 2026-05-27 · HTML 版（正本）：https://voidvector.tech/zh/insights/rag-fails-at-the-knowledge-base/
> 語言：zh-Hant · 來源：voidvector（虛空向量有限公司）

團隊花好幾週調 embedding、換模型、加 reranker，真正的病灶卻是一堆重複文件、過期版本、沒人負責的知識庫。

檢索增強的回答，品質上限就是它檢索到的東西。這句話聽起來像廢話，但每次 RAG 系統答錯，團隊的反應都一樣：換大一點的模型、換 embedding、加一層 reranker。唯一沒人做的事，是打開知識庫，把裡面的文件讀一遍。

## 知識庫打開來長什麼樣

真的打開來看，通常是這樣：同一份規範存了三個版本、數字互相打架；兩年前就該作廢的文件還躺在裡面；整頁沒有標題的文字牆，檢索器根本無處下錨；最致命的是——沒有人負責。沒有任何一個人的工作是確保這些內容是對的。把檢索器對準這種語料庫，它其實表現得很盡責：忠實地把你的混亂端出來。

## 調模型 vs. 整語料

調模型迷人，因為感覺像工程；整理語料像打掃，沒人想做。但投報率一面倒。在一個訂閱制語言學習 app 的檢索問答案子裡，我們完全沒動模型，而是把三個世代並存的課程文件收斂成一份有負責人、有版本、每一節只回答一個問題的知識庫。答錯率是在那之後才真正掉下來的。

## 先體檢語料，再動技術堆疊

先體檢語料，再動技術堆疊：去重、殺掉過期版本、把長文件拆成一節答一問的結構、補上時效與受眾的 metadata、每一類文件指定一個負責人。做完這些，模型與切塊的實驗才會產出訊號，而不是噪音。

RAG 系統是一面鏡子。怪鏡子裡的人之前，先把房間整理好。