我把AI答错的300条问句做了归因，七成问题出在源文档自己身上

我直接说怎么做：别一上来就调模型、换供应商，先把AI答错的问句扒出来，一条条倒查到源文档。我们上个月干了这件事，300条错误回答，归因下来七成问题不在AI，在我们自己喂进去的文档。

第一步，先分类再归因，别混着看。
我把300条错误按「错法」切成四类：事实错（数字、参数、型号）、口径错（同一个词两个意思）、缺失（该答没答）、答非所问。分完发现事实错占58%，口径错22%，缺失15%，答非所问5%。这个分布直接决定了后面精力怎么投。

第二步，每条错误倒查引用源，看它到底从哪句话学来的。
这一步最费时间，但最值。我举个例子：AI把「保修期2年」答成「终身保修」，倒查发现产品页里有一句「终身免费维护」，模型把「维护」和「保修」混了。再比如「起订量」答成「库存量」，源文档里两个字段挨着放，表格没有表头。这种问题你去调模型、写prompt，全是白费功夫。

第三步，按源文档问题归类，我们踩出来的高频坑就四种：

1. 多版本共存——官网一个说法、产品手册一个说法、电商详情页又是另一个，AI抓到哪版看运气。
2. 字段缺表头——表格里一串数字，模型不知道哪个是价格哪个是规格。
3. 同义词混用——「包修」和「保修」、「定金」和「订金」，人看得懂，模型直接串。
4. 否定句和例外条款被截断——「除以下情况外不适用」，模型只学到了后半句。

第四步，改文档，不改模型。
我们花了三周把主力产品线的文档做了一轮清洗：统一术语表、表格补表头、例外条款单独成段、多版本收敛到一版主文档。改完再跑同一批问句，事实错从58%降到19%。这个数我反复核过，分母是同一批300条，没有换测试集。

一个提醒：改完一定要留批次ID和改前改后的对照快照。
我们第一次改完没留快照，老板问「你凭什么说是文档的问题」，我拿不出改前的原样，白挨一顿批。后来每次清洗都打批次号，改前改后各存一份，谁问都能翻出来。

最后一个判断：如果你连错误归因都没做，别急着花钱买GEO服务。
七成问题在源文档，这是自己能动手的事，先干这个，投入产出比最高。

问一句：你们倒查AI错误回答的时候，是几个人在干、一条平均花多少时间？我这套流程一条要8到10分钟，想看看有没有更快的拆法。