回答公司内部问题，AI Agent 要先有资料依据

合同里根本没写退款条款，Agent 却说“一般情况下应该可以退款”。这种回答读着很顺，也很危险：**Agent 有一种错误尤其容易误导人，就是把不确定的事说得很确定。

**

真实任务经常依赖模型没有见过的私有文件、业务记录和最新信息。比如：

我们公司的差旅政策怎么规定？
这个客户上次投诉了什么？
这份合同有没有自动续约条款？
这门课程适合拆成哪些章节？
项目文档里有没有流程断点？

这些问题超出通用常识，答案藏在具体文件、记录、制度、合同或项目文档里。大模型通过训练学到通用知识，可以解释概念、总结常见做法、给出一般建议。

但它可能没有你手头的私有资料和最新信息，比如公司今天更新的制度、客户昨天发的邮件、合同第 12 条的表述、项目代码里具体写了什么。

就算模型知道这家公司的公开信息，也推不出某份合同或昨天邮件的内容。这些资料要通过输入、文件或检索系统给到它；会变化的事实，还要检查时间和版本。

Agent 只靠模型常识，就容易把推测写成事实；先取得对应资料再回答，结论才可以核对。资料已完整提供时直接读，需要补查时再选择检索或业务查询。

01 哪些问题必须查资料

有些问题可以直接问模型，有些必须查资料：

判断标准可以压成两行：

答案依赖具体资料时，先查找对应依据。
如果资料中没有，就应该标注资料不足。

拿不准的时候，问自己一句：

如果没有这份资料，Agent 的答案是否只能靠猜？

如果答案是“是”，就先查资料。对话里已经把资料给全的，直接阅读就行，省去重复检索。

02 Retrieval、File Search、RAG 是一条链

这三个词都在解决同一个问题：怎么为回答找到合适依据。

连起来是一条链：

用户问题
  -> 找相关资料
  -> 把资料交给模型
  -> 基于资料回答
  -> 标出不确定或资料不足

分工也很清楚：检索负责找依据，模型负责依据资料组织回答，两边各自做擅长的事。资料较短且已完整提供时，直接阅读；资料库较大时，先检索相关部分再交给模型；涉及最新订单状态这类业务数据，就去查询对应系统。向量数据库等实现细节可以随后学习，先理解资料怎么进入回答。

再看帮助中心问答。用户问“我的会员到期后还能下载历史发票吗？”，不查帮助文档、只按常识回答，Agent 可能说“通常可以”。可这家帮助中心的规则其实是“会员到期后 30 天内可以下载，超过 30 天需要联系客服”。用户说“历史发票”，资料里可能写“账单记录下载”，关键词不完全相同，这时语义检索可以按意思关联关键词不同的相关内容。

搜到了“账单记录下载”，还要打开条款，看它允许下载的是什么。若只写消费明细，就仍缺少发票的依据。检索先提供候选资料，回答前再核对文件类型、适用用户和时间限制。

03 资料要挑着给

把所有资料交给 Agent，似乎省去了筛选这一步。可无关内容、过期规则和当前依据混在一起，关键条件反而可能难找。整理时，可以从四个问题开始：

这个任务需要哪些资料？
每类资料用来回答什么问题？
哪些资料不能作为依据？
资料过期或冲突时怎么办？

例如“客服政策 Agent”可以这样组织资料：

如果把营销文案、内部闲聊、过期政策也混进去，Agent 就可能引用错误依据。选择资料，要逐项检查相关性、权威性、时效性和访问权限。营销文案写着“支持退款”，还得去找实际政策，适用规则以政策为准。内部处理记录可能有用，也要先确认当前用户有权访问。

04 看版本的适用条件

假设公司有两版退款政策：

2024 版：收货后 7 天内可退
2026 版：部分品类收货后 15 天内可退

Agent 分不清版本，就会引用过期规则。选择适用版本要看三件事：

1. 生效时间：2026 版从 1 月 1 日生效
2. 适用范围：只覆盖该日之后收货的订单、部分品类
3. 事件日期：订单是什么时候收货的

所以 2025 年 12 月收货的订单，仍按旧版 7 天规则处理；2026 年 3 月收货的订单，还要确认商品在不在新版品类里。选版本的前提是政策写清了适用条件，发布日期只是其中一项。材料没写过渡安排怎么办？说明“版本待确认”，请求核实，并把两版规则并排列出来。

拿手头的一个案例试一下：

旧版：所有品类收货后 7 天内可退。
新版：仅适用于 2026 年 1 月 1 日以后收货的图书，期限为 15 天。
订单：2026 年 3 月收货，品类未提供，目前距收货 10 天。
问题：能否依据新版判断可退？

核对时应指出：收货日期符合新版条件，品类仍待确认；补查订单品类后才能选规则。若已有完整政策和订单信息，就直接核对，省去重复检索。

05 资料不足时，如实留下缺口

有依据的回复应保留缺口（模拟）：

在当前资料中没有找到明确退款条款。需要补充合同附件或由人工确认。

Anthropic 的减少幻觉指南里，第一条基本策略就是明确允许模型说“我不知道”，并建议让它先从资料中引出直接引文再作答，这与上面的做法一致。你可以给 Agent 设定这样的规则：

只基于已提供资料回答。
资料没有明确依据时，标注“资料不足”。
文件事实优先于模型常识。
结论必须能追溯到具体资料。

再看一个客户反馈场景（怎么把这类任务拆成能逐步核对的步骤，见让 Agent 分步做事）。你给 Agent 200 条客户反馈，让它总结“用户最不满意什么”。它可能只找到 3 条原话都提到配送延迟：

3 条原话 -> 能证明：配送延迟出现过
          -> 证明不了：它比别的问题更常见、更严重

要判断哪个问题排在前面，先定清比较的是出现次数还是问题后果，再按同一套分类和计数规则查完 200 条。只有这三条证据时，能交出的结论是“发现了配送延迟问题”。把已发现的问题和完整排名分开，报告的范围才与证据相符。