我把知识库改复杂了，答案真的更好了吗？

哈喽，我是阿梦。这个博客，我会持续记录自己怎么把 AI 用进真实的工作，成功的、失败的、返工的，都是我的来时路～

上一篇写了为什么不同资料不能使用同一套切片规则。

文章沿着标题和段落拆，表格保留表头，问题和答案不能分开，操作步骤还要留住上下级关系。

规则听起来更合理了，系统也确实更复杂了。

但做完以后，我更关心的是：

我付出了这些成本，答案真的变好了吗？会不会反而消耗更多 Token？

先算实践成本

这次改造不是调整一个数字。

我需要识别不同资料、设计对应规则、清理目录和旧版本，再重新处理整个资料库，重建索引，并人工判断系统无法确定的内容。

光是最后一次完整迁移，就运行了大约 89 分钟。后面又做了两轮维护，分别用了约 14 分钟和 19 分钟。

这还不包括前期写规则和调试的时间。

所以，本地处理虽然不消耗大模型 Token，却依然会消耗时间和维护精力。

如果答案没有明显变好，这些复杂度就不值得。

答案质量有没有提高？

我用一道真实问题做了前后对比：

新品牌海外社媒运营，从 0 到 1 应该怎么做？

旧方式找回了 15 条相关要点，包括平台、内容、达人和数据。

每一条单独看都有用，放在一起却像一桌散开的零件。AI 找到了很多相关内容，却不容易判断它们之间的顺序和关系。

新方式没有继续塞入更多片段，而是先保留原文的章节结构，再用其他资料补充对应环节。

这样，AI 不只知道“有哪些建议”，还知道：

• 哪一步应该先做；
• 哪些内容属于同一个环节；
• 哪些观点来自主要资料；
• 哪些是其他来源的补充；
• 哪些是 AI 自己的综合判断。

最终，旧方式只能生成一份待检查的草稿；新方式得到的回答，结构和来源都更完整，可以继续使用。

它的提升不是“写得更长”，而是：

从一组相关建议，变成了一套顺序清楚、来源明确的回答。

会不会更消耗 Token？

Token 消耗的不是“知识库有多少规则”，而是最后有多少内容被送进模型。

本地完成的清洗、分类、切片和检索，通常不消耗大模型 Token。真正消耗 Token 的，是问题、找回的证据、来源说明、回答规则和最终生成的内容。

这次对比的结果是：

对比项	旧方式	新方式
证据正文	6827 字符	6406 字符
完整提示	13176 字符	14147 字符
回答耗时	约 204 秒	约 193 秒
最终结果	待检查草稿	可以继续使用

新方式的证据正文反而更少，因为它减少了零散片段。

但加入章节关系和来源说明后，完整提示增加了约 971 个字符，增幅约 7.4%。

目前系统记录的是字符数，不是模型返回的精确 Token，因此我不能直接说多花了多少 Token。

只能确认：

输入成本小幅增加了，但没有翻倍；增加的部分换来了更完整的结构和来源。

这一次耗时还少了约 11 秒。不过单次运行会受到网络和模型状态影响，暂时不能证明新方式一定更快。

这笔复杂度值不值？

对这道完整流程题来说，我认为值得。

但这不代表所有问题都要使用最复杂的方式。

简单事实可以轻量检索；问答资料保留问题和答案；表格带回表头；只有完整流程题，才需要章节结构和多来源补充。

我现在判断一次改造是否有价值，会看三件事：

• 它解决了什么真实错误；
• 答案具体好在哪里；
• 为此多付出了多少时间和上下文成本。

复杂不是问题。

没有换来更好结果的复杂，才是。

下一步，我还要继续验证：知识库能不能自己判断，什么时候应该轻一点，什么时候才值得把更多资料一起交给 AI。