客服机器人回答得很肯定，知识库里却没有对应规定，这类错误容易直接变成客户理解中的承诺。问题不只是资料少，也可能是系统没有区分检索结果与可用证据。处理时应沿着问题、资料、回答三个环节，找出肯定语气从哪里产生。
先保留客户原问、命中的资料片段和最终回答。仅看回答截图，很难判断系统是在错误资料上推理，还是根本没有找到资料。如果客户问的是定制商品能否退货，检索却命中了普通商品退换说明，即使文字相似，也不能据此回答。商品类型、订单状态和适用地区都是会改变结论的条件，缺少其中一项就应缩小回答范围。
知识库内容也要明确边界。把“通常支持退换”单独做成一个片段，容易丢失原文后面的例外条款。更合理的组织方式是让规则与适用对象、排除情形、更新责任人保持关联。拆分长文是为了便于检索，不应把决定含义的条件拆散。资料更新后，旧版本还在被检索到，同样会造成看似有依据的错误。
回答规则应区分已经确认、需要补充信息和资料未覆盖。已确认的部分可以直接解释，需要订单属性才能判断时，就只询问必要信息；资料未覆盖时，说明无法确认并转交相应岗位。不要让系统为了保持对话流畅，自动补出退款时限、赔付金额或服务范围。这些信息一旦进入对话，客户通常不会把它们理解为语言模型的猜测。
拒答也不必等于把客户推走。以假设的定制退货咨询为例，机器人可以先说明需要核对商品是否已经进入制作，再提供查找订单状态的方法。随后把客户问题、已经获得的状态和缺少的规则一起交给人工。这样，人工接手时能够继续判断，客户也不必重复叙述。单纯回复“请联系客服”，只是把系统内部的信息缺口转嫁给客户。
检索为空与资料互相冲突也应分开处理。前者需要寻找缺失信息，后者需要确认哪个版本有效，不能简单取搜索排名靠前的一条。可以让知识记录带上适用商品和生效状态，在冲突未解除前只说明共同确定的部分。人工确认后更新原资料及索引，再用原问题复测，确保错误答案不是只在一段聊天中被临时纠正。
测试时不要只放知识库能完整回答的问题。应加入措辞相近但适用条件不同的问题，以及材料完全没有覆盖的问题。观察机器人是否会借用邻近规则，是否把用户提出的假设当成事实，是否因为追问而改变已经说明的限制。评分要检查回答依据与业务承诺，而不能只看语气是否自然、句子是否完整。
上线后的纠错记录最好保留错误类型。若多数问题来自版本冲突，应处理资料管理；若检索正确但回答扩写了不存在的承诺，应调整生成约束；若客户必须提供的信息总是缺失，应修改询问流程。把这些问题都归为“模型不够聪明”，容易不断换工具，却没有修复真正出错的环节。
当一类咨询需要频繁由人工补充判断时，可以整理人工实际使用的判断条件，再决定哪些适合写入知识库。涉及个别订单协商的结果，不宜直接升级为通用政策。机器人能够稳定说明已知内容，并把未知内容交给有权限的人处理，才具备继续扩大接待范围的基础。