造了个会认怂的AI搜索引擎：不知道就说不知道

「我的聊天机器人建议用户恢复出厂设置来解决密码问题」——作者开篇这句话，让我笑完又后怕。AI幻觉不是技术bug，是产品信任危机。

向量数据库的致命盲区

余弦相似度（Cosine Similarity，衡量两个向量方向相近程度的算法）是向量搜索的标配，但它有个尴尬特性：只关心"像不像"，不关心"对不对"。

作者举了个例子：用户问"怎么重置密码"，系统召回的可能是"怎么重置设备"——语义相近，后果天差地别。这种"伪相关"在客服场景能直接毁掉用户体验。

更麻烦的是，纯向量检索对精确匹配很弱。产品型号、错误代码、账户ID这类关键信息，稍微变个形就搜不到。

三源混搭：FAISS+知识图谱+BM25

作者的解法很工程：让三种检索方式互相兜底。

FAISS负责语义模糊匹配，理解"登不进去"和"无法登录"是一回事；知识图谱（Knowledge Graph，用节点和边表示实体关系的结构化数据库）锁定精确实体，确保"Model-X2024"不会匹配到"Model-X2023"；BM25（一种基于词频的文本相关性评分算法）兜底关键词匹配，捕获拼写变形和缩写。

三路召回的结果，用倒数排名融合（Reciprocal Rank Fusion，一种合并多路搜索结果排序的算法）重新打分。简单说：三个学霸各交一份答案，取共识度最高的。

这个设计的妙处在于，矛盾本身成为信号——如果三路结果指向不同答案，系统就知道"这里有问题"。

"我不知道"比瞎编更值钱

最狠的一招是置信度阈值（Confidence Thresholding，设定分数下限过滤低置信结果）。作者给系统设了条硬规则：融合后的最高分低于阈值，直接回复"这个问题我找不到可靠答案"。

没有绕弯子的"根据相关资料"，没有自信的胡说八道。就是认怂。

这在客服场景是反直觉的——传统KPI追求"解决率"，但作者发现：一次错误答案导致的客诉升级，成本远超一次坦诚的转人工。诚实成为工程优化目标。

Benchmark数据（原文未披露具体数字，仅提及"可复现的测试结果"）显示，这套方案在特定数据集上将幻觉率压到可接受区间，代价是约15%的查询触发"我不知道" fallback——作者认为这笔交易很划算。

为什么这事值得盯

AI搜索正在经历从"炫技"到"可信"的拐点。大模型厂商卷参数、卷上下文，但企业真正买单的是"不出事"。

作者的开源方案（含Python代码 walkthrough）提供了一条务实路径：不追求单点突破，用系统架构对冲不确定性。这种"工程保守主义"可能是AI落地的主旋律。

15天免费试用的CTA（行动号召）放在文末，说明作者对自己的"认怂"机制有信心——毕竟，敢让用户亲测幻觉率的搜索产品，市面上不多。

最后说句实话：我挺期待有人拿这套方案去测某些大厂AI客服的底裤。毕竟，会道歉的AI，可能比会写诗的AI更早赚到真金白银。