大模型的知识停在训练那天。问它一个不在训练数据里的人或事，它会一本正经地编；但只要给它一段你的资料，答案立刻准确。让 AI 变「你公司的 AI」，靠的是喂数据，不是换模型。

作者在同一项目上重写了三次数据管道，模型和控制指令一行没动，检索质量却一次比一次好。结论直白：「准备数据，才是杠杆所在。」买再贵的模型，喂垃圾进去，出来的还是垃圾。

把长文档丢给 AI 前，得先切成小段。最简单的切法是”每 500 字一刀切”，但常常把一句话拦腰斩断，AI 拿到半句，答出来的就是胡话。聪明的切法会按语义、按结构切，尊重原意。

新人问”Java 编码规范是什么”，AI 返回了五年前那份又旧又全的页面——因为旧版写得更”丰满”，语义相似度更高。新版更短、还在补，排到了第四。AI 没有”时间”概念：「OLD」写在标题里，它不懂那是”别用了”。相关性和时效性，是两个独立信号，纯 AI 搜索只认一个。

搜索索引”不知道谁在问”。一份仅限经理看的 HR 文档和一份公开 HR 制度，如果不打标签，对 AI 毫无区别。作者一句话点破：在有权限的系统里，漏掉”只按资料回答”的指令，不是幻觉问题，是数据泄露。正确做法是在存数据时就标好权限，查询前先按身份过滤——而不是拿到答案再”希望”它没泄密。

真实数据有三道坎：稀缺（小众领域没样本）、隐私（医疗/金融/HR 不能外流）、又慢又贵。合成数据=用 AI 造 AI 的训练数据，但它不替代真实数据，只补位：真实数据给”真实感”，合成数据补”长尾覆盖、抗干扰、快速迭代”。

自动化再快也不够，质量与判断无可替代。三种落地模式：①合成先跑、人审一小部分；②人先造”黄金样本”、AI 扩写变体；③自迭代循环、关键节点人把关。法律/医疗/合规场景，专家兜底不可省。

大多数团队上线前从没讨论过”重索引”成本。改一次切片策略、加一个字段、换一个 embedding 模型，全库都要重新处理——几百万条能跑大半天，第一年轻松重做五六次。省钱的秘诀是：开工前花一周把数据结构（schema）设计好，能少返工好几天。

真正的选择题是：成本放发票上，还是放自己团队身上？托管平台把工程时间换成服务费、省了运维；自建控制力强、规模大了单价可能更低，但索引、连接器、质量、监控、SLA 全得自己扛。作者踩过的路：先用托管快速验证价值，等核心路径吃紧了，再把关键部分迁回自建。

全书用四类场景贯穿讲技术，刚好是四篇现成商业案例：①企业知识助手（权限是命门）②受监管领域·法律/医疗（治理与合规是红线）③个人助理（数据在 API 背后，治理与留存规则仍适用）④内容审核（政策版本迭代极快=高速版时效漂移，且要防对抗性绕过）。