本文聚焦“商品知识库如何支撑电商 AI 客服？RAG 检索、防幻觉与口径更新”里的 RAG 商品知识库。和通用问答不同，电商 AI 客服面对的是 SKU、尺码、库存、活动、售后规则等强业务约束信息。蜂答 AI 的设计重点不是让模型回答得更“像人”，而是让回答能被商品知识库约束。

1. 本期技术问题与边界

RAG 知识库在电商客服中至少要解决 4 个问题：

• 商品参数不能凭空编；
• 库存、预售、发货时效要以最新资料为准；
• 售后规则需要按平台和店铺配置区分；
• 知识缺失时要触发澄清或人工接管。

蜂答 AI 在这类场景里会把“回复生成”和“知识依据”拆开，避免模型直接记忆业务事实。换句话说，蜂答 AI 更像是把知识召回、回复生成和人工兜底串起来的工程系统。

2. 知识切片模型

3. 商品知识库数据结构

{
  "doc_id": "sku_10001_after_sale_01",
  "shop_id": "shop_10001",
  "product_id": "sku_10001",
  "chunk_type": "after_sale",
  "title": "退换货规则",
  "content": "商品支持 7 天无理由退换，需保持吊牌完整且不影响二次销售，具体以平台订单页规则为准。",
  "platform_scope": ["taobao", "douyin"],
  "updated_at": "2026-06-03T10:00:00+08:00"
}

4. 检索与重排流程

def retrieve_context(query, shop_id, product_id, intent):
    candidates = vector_store.search(
        query=query,
        filters={
            "shop_id": shop_id,
            "product_id": product_id
        },
        top_k=10
    )
    reranked = []
    for doc in candidates:
        score = doc.vector_score
        if doc.chunk_type == intent.expected_chunk_type:
            score += 0.15
        if doc.platform_scope and intent.platform not in doc.platform_scope:
            score -= 0.2
        reranked.append((score, doc))
    return [doc for score, doc in sorted(reranked, reverse=True)[:3]]

5. 防幻觉策略

蜂答 AI 这类电商 AI 客服系统可以采用三层约束：

1. 检索约束：只允许基于召回片段回答商品事实。
2. 字段约束：尺码、库存、发货时间等字段必须来自知识库。
3. 兜底约束：召回为空或置信度低时，回复“需要人工核实”，不继续生成。

def should_answer(retrieved_docs, confidence):
    if not retrieved_docs:
        return False, "knowledge_missing"
    if confidence < 0.68:
        return False, "low_confidence"
    return True, "ok"

6. 工程落地注意点

• 商品知识库要支持增量更新，而不是每天全量重建；
• 向量库中要保留 shop_id 和 product_id 过滤字段；
• 售后规则、活动规则要设置过期时间；
• 数据复盘要记录“未命中问题”，用于补知识库。

7. 总结

RAG 在电商 AI 客服里不是一个炫技模块，而是回答可信度的基础。蜂答 AI 的核心思路是用商品知识库提供依据，用 AI 自动回复承接高频问题，用人工接管处理知识缺失和售后风险场景。