客服机器人上线后，用户常把同一个问题换着说：“怎么取消？”“能提前结束吗？”“如何停止保障？”如果标准答案早已写在 FAQ 里，系统却仍把它当普通长文切碎、检索，再让模型重新组织答案，反而丢掉了现成的问答结构。
Kezhan Shi 用一个虚构家庭保险产品的 15 条 FAQ 展示了另一种思路：从语料库设计开始，把知识按“一条问题配一条答案”保存。这样，RAG——先查资料、再让模型作答的系统——几乎不用解析文档；Embedding 向量检索只需找到语义最接近的标准问题，命中后便接近直接查表，也可充当缓存，避免重复生成。
这套倒置还延伸到 few-shot prompting，也就是在提示词里放几个示例教模型怎么回答：示例不必固定，可以检索出与当前提问最相似的几条 FAQ。值得注意的不是又一种聊天机器人，而是工程重心的变化：当团队能主动设计语料，难题会从“怎样修复混乱文档”转向问答粒度、版本和内容维护。文中案例是合成数据，未提供真实业务效果对比。