我有一个已经跑了一年多的本地知识库：PARA 结构、单索引 RAG + 卡片索引层、每日增量同步、21 题召回回归。检索能力经过验证——问"青春期孩子怎么沟通"它能从 300 问 Q&A 里精准捞出答案。

但上个月我问它一个问题，它露馅了。

我问：“铜管是不是涨价了？涨了多少？”

RAG 给我捞回来几段文字，每段都说得像模像样。但我一对原始数据——数字对不上。模型从 78,647 行的采购长表里"挑"数字，挑错了行、错了口径，还挑得理直气壮。

这就是 RAG 的天花板：它能找到"哪份文件讲了什么"，但它算不准"数字到底是多少"。 长表格塞进上下文窗口，模型挑数就像让人在电话簿里核对账单——看错行的概率永远不为零。

这篇文章记录我怎么解决这个问题：给知识库加一层「SPU 卡片索引」，让 AI 从"在长表里挑数"变成"读一张预聚合的小卡片"。文末有完整的搭建方法和踩坑清单。

一、核心思路：三层分工

升级后的知识库分三层，每层只干自己擅长的事：

1
2
3
4
5
6
7
8
9

┌─────────────────────────────────────┐
│  L4 输出层  聚合报告（TOP10/预警/对标）  │
├─────────────────────────────────────┤
│  L3 分析层  粗筛→族归组→下钻（prompt链） │  ← 新增
├─────────────────────────────────────┤
│  L2 索引层  SPU 卡片 × 23,743         │  ← 新增
├─────────────────────────────────────┤
│  L1 数据层  行级明细 78,647 行         │  ← 已有（Cost-DNA）
└─────────────────────────────────────┘
  • RAG 层（原有）：负责"哪份文件讲了什么"——模糊知识、背景、方法论
  • 卡片层（新增）：负责"数字到底是多少"——每个 SPU 一张预聚合的标准答案
  • LLM 层：只负责"这意味着什么"——解读、判断、建议

关键设计：卡片是 JSON 格式，刻意不进 RAG 索引。RAG 擅长语义匹配，不擅长精确算数——让它俩各守边界，互不污染。

二、一张 SPU 卡片长什么样

每个 SPU（物料编码）一张卡，大约 2KB：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

{
  "spu_id": "SPU-005",
  "物料编码": "01.23.COPPER 121",
  "物料名称": "铜管(捆喉)",
  "累计金额": "2435853.xx",
  "数据行号": [7815, 8474, 10001, ...],   ← 指回 Excel 行号
  "年度金额": {"2023": "...", "2024": "..."},
  "年度均价": {"2023": "66.00", "2024": "71.19"},
  "主供应商_脱敏": "SUP-007",
  "供应商数": 1,
  "价格离散系数": "1.52",
  "波动预警": false,
  "数据源SHA256": "72c8f84d...",
  "p0_行数校验": true,
  "p0_总额校验": true
}

三个设计决定：

1. 数据行号指针。卡片不放原始数据，放"答案在哪一行"。要下钻时，加载器按行号一跳直达原始明细——结论永远可以回溯验证。

2. 供应商脱敏。卡片里供应商是 SUP-007 这种代码，真名存在单独的映射文件里（不进任何索引）。卡片可以给任何 Agent 用，不怕泄露。

3. 每张卡带验证状态。行数校验、总额校验、源文件 SHA256——引用任何数字前先看卡片的"体检报告"。

三、实战效果：铜管涨价核查

升级前，“铜管是不是涨价了"这个问题：

  • 人工路径：打开 10.3MB Excel → 透视（铜管散在 5+ 个编码，要手工拼条件）→ 逐年手工算加权均价 → 30-60 分钟
  • LLM 直读：78,647 行远超上下文窗口，切片后模型挑行照样会错

升级后：

1
2
3
4
5
6
7

步骤 1（0.02 秒）：读 500 张卡片，命中 5 个铜管 SPU
  → 立即发现：5 个编码全部同一供应商，涨幅 12.8%~41.8%
  → 这是"供应商级涨价"，不是编码噪声

步骤 2（5.8 秒）：对金额最大的 SPU-005 下钻，取回 26 行原始明细
  → 四年加权均价：66.00 → 71.19 → 76.12 → 90.71
  → 2026 年涨 19.2% 且在加速，采购量同时缩了 44%

总耗时 6 秒，上下文 59KB（对比全表 10.3MB，降 99.4%），数字全部可回溯。

而且有个意外收获：“5 个铜管编码全是同一家供应商"这个结构性事实，卡片粗筛一眼就能看到——传统透视几乎不可能顺手发现，但这恰恰是议价谈判里最值钱的信息。

四、踩过的坑（这部分最值钱）

坑 1：杂码桶假信号

第一版粗筛跑出来，“价格离散预警"TOP20 全是离散系数几万倍的怪物。下钻一看——一个"五金类万能代码"混装了 N 种实物，单价从 0.01 元到 628 元都有。

**教训：结构性噪声 ≠ 真实波动。**解法是金额分层阈值（大金额严、小金额宽）+ 噪声编码白名单。修完后候选从 48 个缩到 20 个，且全部变成真实品类。

坑 2：SHA 漂移虚惊

权威源 Excel 的哈希和验收记录对不上。按流程这该阻塞。但跑了全量数学对数——行数、总额、逐年合计全对，差额 0.00。判断是文件被重新保存过（xlsx 重打包），数据等价。

**教训：P0 校验要双锚点——哈希管"文件没被换”，数学锚点管"数据没被改”。**哈希漂移不一定是事故，数学一致才是硬道理。

坑 3：孤岛检测器报警

卡片体系上线后，每天刷 3 次的孤岛索引突然把我的 3 份分析报告标记为"孤立文件”——因为我写完报告忘了在正文里加指向其他笔记的链接。

**教训：任何自动化检测器的判定口径，都是新结构的潜在冲突点。**现在的规则是：动知识库结构之前，先过一遍所有自动化任务的检测口径。新产出的每份笔记必须自带"关联导航"段。

坑 4：召回被自己污染

有个质量问题追踪了 11 天：RAG 每天验证 21 道标准题，其中"板材价格"题连续命中错误文件。排查发现——我之前记录排查过程的笔记，本身成了这道题的最强召回源。越记录，回音越响。

**教训：召回被干扰时，第一反应不该是调参数，而是问"这个问题的最佳答案文件存在吗"。**我用卡片数据写了一篇《板材价格标准答案》，数字全部锚定卡片——当天，21/21 全绿，11 天的悬案清零。

五、完整搭建方法（可直接复用）

第 1 步：准备数据底座（你已有就跳过）

前提是一份结构化的行级明细（Excel/CSV），含：日期、供应商、物料编码、物料名称、分类、数量、单价、金额、年度。关键校验：

1
2
3
4

# P0 预检：行数 + 总额双锚点
EXPECTED_ROWS = 78_647
EXPECTED_TOTAL = Decimal("214956793.43")
# 对不上就停，不许带病生成卡片

第 2 步：生成卡片（一次全量，成本极低）

聚合逻辑：按物料编码分组 → 累计金额（Decimal 精确）→ 年度金额/年度均价（加权=金额÷数量）→ 供应商集合 → 单价区间 → 价格离散系数（max/min）→ 行号指针列表。

实测：23,743 张卡，生成时间不到 1 分钟，93MB。全量卡片对数后与权威总额差额 0.00。

第 3 步：写加载器（卡片 → 原始行的一跳桥）

输入 SPU id，按卡片里的行号指针从源文件抽对应行。这样任何卡片数字都能一键回溯原始明细——审计、复盘、跟供应商对账都用得上。

第 4 步：建粗筛分析链

三信号排序：价格离散（分层阈值）→ 单价同比异动（±10% 预警线）→ 供应商集中度（只看大额档）。输出候选清单，每条带卡片指针。LLM 只做最后的解读，不做任何数据计算。

第 5 步：接自动化防线

  • 时效自动检测：记录源文件 SHA，变了才重生成卡片，没变就跳过（幂等，每天跑都行）
  • 一键管线：生成→粗筛→族归组→对数验证，一条命令跑完，报告落盘
  • 月度复验：自动化任务每月跑一次全链验收，输出"要不要复制到其他数据域"的决策建议

第 6 步：反孤岛自检（容易漏）

每份新产出的分析报告，正文末尾加"关联导航"段链接到相关笔记。否则知识库的孤岛检测器会把它们标成孤立文件——别问我怎么知道的。

卡片层与 RAG 层的守边界设计、verify 门禁与题库维护决策树的细节，见主文《从零搭建本地 AI 知识库》。

六、这套方法的边界

诚实说清楚三点：

  1. 它只解决"精确数字"问题。模糊知识、方法论、经验，还是 RAG 的地盘。两层互补，不替代。
  2. 卡片有时效。源数据更新后要重生成——所以第 5 步的自动化防线不是可选项，是必需品。
  3. LLM 的判断仍然是判断。卡片告诉你"涨了 19.2%、单一来源、在加速"，但"该不该换供应商、谈判怎么谈"还是人的决策。这套系统的价值是把你的时间从"找数、算数、验数"挪到"判断、谈判、决策"。

七、下一步

这套体系目前只落在采购数据上。跑满一个月后，如果月度复验全绿，计划复制到：

  • 价目数据（41,729 条报价）——能回答"报价 vs 实采价差"，直接服务议价
  • 销售数据——客户/产品维度的同构卡片

方法论已经验证，第二域的搭建成本预计是第一域的三分之一——因为坑都踩过了。

本文数据均为实测值（2026-08-31 快照）：卡片 23,743 张 / 全量对数差额 0.00 / RAG 回归 21/21（门禁 19）/ 自动化 13 个 / 死链 0 / 铜管案例耗时 6 秒。