"给 AI 喂资料"听起来简单，实际是 AI 员工项目里最有价值、也最容易被低估的环节。
三类必需的资料
一、产品与业务资料
| 资料 | 要求 |
|---|---|
| 产品目录 | 名称、规格、参数、适用场景 |
| 价格政策 | 公开价目、分级规则（注意权限） |
| 交付政策 | 交期、物流、起订量 |
| 售后政策 | 退换货、保修、时效 |
表：本表为作者依据行业公开资料整理，具体数值随企业情况而异。
二、常见问题与话术
| 资料 | 要求 |
|---|---|
| 客户常问的 20 个问题 | 用客户的口语提问 |
| 对应的标准答案 | 第一段直接给结论 |
| 历史异议处理 | 客户常见的疑虑与回应方式 |
表：本表为作者依据行业公开资料整理，具体数值随企业情况而异。
三、业务规则
| 资料 | 要求 |
|---|---|
| 报价规则 | 税率、阶梯价、有效期 |
| 审批规则 | 什么情况需要谁审批 |
| 权限规则 | 谁能看什么 |
| 异常流程 | 退货、投诉、加急怎么处理 |
表：本表为作者依据行业公开资料整理，具体数值随企业情况而异。
第三类最容易被忽略，但它决定了 AI 能不能真正"做事"——只知道产品参数，它只能回答；知道业务规则，它才能执行。
资料的整理标准
标准一：可核验
| 不好 | 好 |
|---|---|
| "我们的产品质量很好" | "产品合格率 XX%，依据 XX 时间段的统计" |
| "交期一般比较快" | "常规交期 15 天，加急 7 天（加收 20%）" |
| "通过了多项认证" | "通过 ISO9001（编号 XXX，有效期至 XXXX）" |
表：本表为作者依据行业公开资料整理，具体数值随企业情况而异。
AI 会照着你写的说。写得含糊，它就说得含糊；写得具体，它才说得具体。
标准二：结构化
用表格、列表、问答对，而不是大段散文。AI 摘取结构化内容的准确度高得多。
标准三：无冲突
同一件事在不同资料里说法必须一致。冲突的资料会让 AI 随机选择，产生不一致的回答。
一个自检方法：随机挑十个客户常问的问题，在你的资料里找答案。如果能快速找到且只有一种说法，资料合格；如果找不到或找到两种说法，AI 也会遇到同样的问题。
内容陷阱
陷阱一：把营销文案当资料
"我们致力于为客户提供最优质的服务"——这类内容对 AI 毫无用处，因为它无法转化为具体的回答。
陷阱二：资料过时
两年前的价格表、已停产的产品、已变更的政策。AI 不会判断新旧，它会照着说。
必须标注更新时间，并定期清理。
陷阱三：缺失边界信息
资料里只写了"正常情况怎么办"，没写"异常情况怎么办"。遇到异常时，AI 只能编。
建议每个规则都配上"不适用的情况"。
陷阱四：内部术语未解释
内部习惯用语（如"走 A 流程""按老客户价"）如果不解释，AI 无法理解，也无法向客户解释。
喂养的方式
不同方案的实现方式不同，但核心逻辑一致：
| 步骤 | 说明 |
|---|---|
| 导入 | 把整理好的资料导入 AI 可访问的知识库 |
| 关联 | 把知识与具体的业务场景/岗位关联 |
| 测试 | 用真实问题测试，看回答是否准确 |
| 校正 | 根据测试结果补充和修正知识 |
表：本表为作者依据行业公开资料整理，具体数值随企业情况而异。
第三步（测试）不能省。用二十个真实客户问题去测，看 AI 答得对不对——这个测试会暴露出大量资料的缺失和错误，比任何检查清单都有效。
持续 feeding 机制
知识不是一次性的，需要持续补充：
| 触发 | 补充什么 |
|---|---|
| 客户问了新问题 | 补充问答对 |
| 业务规则变更 | 更新规则文档 |
| AI 答错了 | 修正并补充正确知识 |
| 新产品上线 | 补充产品资料 |
表：本表为作者依据行业公开资料整理，具体数值随企业情况而异。
一个关键机制：从错误中学习
当 AI 答错或答不了时，记录下来：
| 记录 | 用途 |
|---|---|
| 问题是什么 | |
| AI 怎么答的 | |
| 正确答案是什么 | |
| 原因 | 知识缺失 / 知识错误 / 规则不清 |
表：本表为作者依据行业公开资料整理，具体数值随企业情况而异。
第四项（原因分类）最重要——如果多数错误是"知识缺失"，说明资料不全；如果是"规则不清"，说明需要和业务确认规则。
这个机制决定了 AI 员工会不会越用越好。没有这个闭环，AI 员工会永远停留在上线时的水平。
一个额外的收获
很多企业在给 AI 准备资料的过程中发现：原来很多"大家都知道"的规则，从来没有被人写下来过。
| 发现 | 影响 |
|---|---|
| 报价规则只在某些人的脑子里 | 人员流动即知识流失 |
| 售后政策各人说法不一 | 客户体验不一致 |
| 产品参数没有统一版本 | 各部门用的不是同一份 |
表：本表为作者依据行业公开资料整理，具体数值随企业情况而异。
整理这些知识，即使暂时不上 AI，对企业也是有价值的——它让知识脱离了具体的人。
“给 AI 做培训的过程，其实是一次组织知识的体检。”— 初元AI 团队
知识库一开始要准备多少条内容？+
建议从 20 条开始。挑出客户问得最多的 20 个问题，配上准确答案，这已经能覆盖相当比例的日常咨询。不要一开始就追求完整——20 条高质量的内容，胜过 200 条匆忙凑数的。跑起来后，根据实际遇到的问题逐步补充，这样的知识库更贴合真实需求。
资料整理要多久？+
取决于现状。如果已经有成文的产品手册、FAQ、政策文档，整理成结构化格式通常需要数天。如果资料散落在各处或从未写下来，可能需要数周。建议的做法是先整理最高频的一小部分（如 20 条常见问题），跑通后再扩展——这样能更快看到效果，也避免在完整整理过程中失去动力。
AI 会自己学习吗？+
分两层看。它不会自动变得更懂你的业务——除非你持续补充和修正知识。但它能积累交互数据：哪些问题被问得多、哪些答得不好、哪些转了人工。这些数据能告诉你该补充什么知识。真正的"越用越聪明"，来自于"AI 暴露不足 + 人补充知识"这个闭环，而不是 AI 单方面的自我进化。
本文为 AI 员工知识准备的通用性建议，具体导入方式因方案而异。