材料混用
不同受众、服务、政策、课程或产品版本可能被混在一起，而它们本来应该分开。
问题
普通 AI 知识库仍然可能回答得太宽
上传文档并不会自动形成可控回答系统。如果系统把每个用户问题都当作可回答，它可能混用无关来源，从薄弱证据中过度推断，或在专家期待窄范围回答时使用宽泛模型知识。
证据不足
当选定来源没有足够支持时，Assistant 仍可能给出自信回答。
边界漂移
模型可能把对话推进到专家通常会拒答、限定或转交的话题、建议或承诺。
控制层
什么让一个知识库真正可控
来源范围
选择哪些文档属于这个 Assistant，以及它们支持哪个受众、服务或使用场景。
请求分类
判断用户是在问事实、解释、方法、点评、比较，还是不支持的建议。
回答模式
决定回答应该简短、教学式、分析式、澄清、拒答，还是转交给人。
运行时验证
检查拟生成回答是否符合选定来源、问题深度、知识范围和边界规则。
实践规则
如何减少超出预期范围的回答
- 当受众、主题、服务或来源边界不应混合时，使用不同 Assistant。
- 清晰命名和组织来源文档，让 Assistant 知道每个文件的用途。
- 明确写出不支持话题规则，而不是依赖模型自己推断边界。
- 在有帮助时使用引用，让用户检查回答依据。
- 公开分享前测试边缘问题、模糊问题和高风险问题。
SonaMinds 概念
受控回答背后的概念层
SonaMinds 用一组相互连接的概念来描述受控回答。它们把“回答可控”从模糊承诺变成具体设计问题。
先定义范围，再扩大使用
当来源集合、受众、回答规则和升级边界清楚时，可控知识库才更适合扩大使用。