让实习生按决策树重写官网FAQ，AI答错率降了，但老问题还在

先说结论：把官网政策文本拆成决策树，AI答错率确实能降，但别指望它包治百病。

上个月我拿自家官网的退换货政策开刀。原来的写法是典型的「公文式」——一大段话里揉着「7天无理由」「大家电除外」「拆封后不支持」「质量问题15天换新」几个条件，人读着都费劲，别说机器了。

我让实习生做的事很简单：把这段文本画成决策树。第一步问「是否拆封」，第二步问「是否质量问题」，第三步问「是否大家电」，每个叶子节点给出明确结论。然后用结构化格式（就是简单的缩进列表加条件判断）重写，没上任何花哨工具。

跑了三周，拿50组真实用户query测，AI答错率从之前的34%降到11%。但别高兴太早——剩下的11%里，有7%是AI把「大家电」的外延搞错了，把吸尘器算进去，把嵌入式烤箱漏了。这个问题决策树解决不了，得靠词表对齐。

所以我的判断是：决策树是「内容组织」层面的活，它逼你把模糊表述逼成明确分支，这步值得做。但工具只是辅助，真正卡脖子的是术语边界和业务口径——这些机器替不了你。

你们试过用决策树改造哪类文本？效果卡在哪个环节？