脱敏声明 — 本项目是替服务对象做的内部系统，经沟通后以脱敏形式展示： 不出现客户名称、账号信息与可反查的内部细节。数字为该版本在验证环境下的实测结果。
问题
培训业务里，老师每天要回答大量重复的基础问题：透视怎么练、UV 为什么拉伸、画面为什么发灰。 这些问题有标准答案，但答案散在聊天记录和老师脑子里——新人接手要重新问一遍， 老师在忙的时候学生只能等。
客户自己总结的第一痛点其实不是"问答不够聪明"，而是信息散在好几个平台、靠人工每天搬一遍： 课程平台、报名表、群聊、Excel 里同一个人名字都不一样，通知、回访、到课率统计全靠人盯。
范围：全部需求有 8 条，这一期只做 1 条
选答疑打头阵，不是因为它是最大的那块，而是因为它不需要等任何外部接口就能先跑起来、先见到效果。 其余部分（跨平台学生主档、QQ 群定时通知、到课率报表、1v1 预约、作业批改模板、异常预警、管理看板） 依赖客户给表结构与第三方平台接口，排在后面分期做。
这一页只写已经跑通的那一段。规划中的部分属于「能做」，不属于「做过」——两者不能混在一张页面上说。
做法
一、不建后台，先填表。 让老师填一张 CSV（标准问、相似问、反例问、答案），不碰任何系统。 这一步是刻意的：门槛越低，知识才收得上来。
二、把「问法」当一等公民。 一条知识配 3–10 个相似问。 同一句话不同人问法差别很大，只有标准问会大量漏答。
三、反例问挡住「听起来对」的错答。 每条知识可以标一条反例问： 语义相近但答案不同的问题。没有反例问，检索迟早会用一个听起来对的答案回答一个其实不同的问题。
四、阈值宁可保守。 相似度不达标就不答、转人工。 错答的代价远大于漏答——学生会被错误知识带偏，而漏答只是多问一次老师。
五、未命中回写。 每次答不上来的问题都被记录下来，变成待补清单； 老师补一条，下次同类问题就能命中。这套动作每周固定做一次。
六、不训练模型，走检索。 客户原话是"用过往优秀回复语料训练"，改成了知识库检索实现： 不训练、可随时增量、答案可溯源、成本低一个量级。
结果
用 22 条问答对、67 条相似问做了验证：18 道测试题命中 14 道（77.8%），零误命中。 未命中的 4 条全部是故意留出的知识缺口——也就是说，模型没有乱答，只是知识库里确实没有。
端到端响应 2–3 秒，其中对话模型 1011 毫秒、向量检索 207 毫秒。
这几个数字要说清边界：它们证明的是系统链路跑通、阈值策略有效， 不是"上线后学生的问题能答上 77.8%"。真实语料进来之前，那个数字无从谈起。
边界
这套东西的上限由知识整理决定，不由模型决定。没有现成问答可归集、又没人愿意整理的情况下， 换任何模型都救不了。需要精确数字的场景（报价、条款）也不能靠它，得走结构化取数。
另外两件事是主动不做的：个人微信侧的自动化（外挂违规）， 以及绕过平台限制去爬第三方数据。这两条都能做，代价是你的账号和合规风险——所以不在方案里。