将您的产品文档交付到客户的聊天客户端

Source: Dev.to

对抗幻觉

现代 LLM 聊天客户端会搜索网络。这对一般知识有效，但对你的产品来说是个问题，因为内部文档不是公开的。网络搜索返回的是排名最高的内容，并不一定是客户正在使用的权威版本。

结果： 客户向他们的 AI 助手询问你的产品，却收到看似合理却错误的答案。
解决方案： 在查询时让 AI 访问你的实际文档，以获取正确的信息。

为什么不使用 RAG？

RAG（检索增强生成）需要：

• 客户自行构建并维护检索流水线，或者
• 供应商托管一套系统——包括向量数据库、嵌入模型以及 24/7 运行的检索 API，用于仅每年更改几次的文档语料库。

无论哪种方式，基础设施成本都与实际问题不成比例。

设计决策：将文档捆绑到 MCP 服务器中

MCP（模型上下文协议）是一种将工具和数据源连接到 AI 聊天客户端的标准。

决策： 将文档直接编译进 MCP 服务器。

• 无需外部数据库。
• 无需嵌入管道。

客户连接到服务器后，AI 能立即访问准确、最新的产品文档——这些文档来源于实际手册，而非网络。索引工作由供应商在发布时一次性完成。

文档搜索工作原理：索引导航，而非向量相似度

该方法分为两部分：一次性的预处理步骤（在发布时运行）以及通过 MCP 服务器公开的运行时工具。

预处理 — 理解并组织文档

• 在发布之前，处理完整的文档集合并生成一个 索引，该索引捕获文档结构。
• 完整的文档和此索引被编译进 MCP 服务器。

运行时 — 让 LLM 查找并检索内容的工具

• MCP 服务器公开的工具让聊天客户端能够访问索引。
• 当客户提出问题时，LLM 调用这些工具来：
  1. 浏览索引并定位相关章节。
  2. 直接从二进制文件中检索完整、未被截断的章节（而非片段）。

没有外部调用，也没有数据库。LLM 可以将问题匹配到正确的章节，并基于权威内容生成答案。

端到端流程

当客户询问 “如何在 ABC 产品中创建用户？” 时，交互如下所示：

Customer          Claude            MCP Server         Docs (binary)
   |                 |                   |                   |
   |  "How do I      |                   |                   |
   |  create a user?"|                   |                   |
   |---------------->|                   |                   |
   |                 |  get_index()      |                   |
   |                 |------------------>|                   |
   |                 |                   |-- read index ---->|
   |                 |                   |                   |
   |                 |                   |-- read section -->|
   |                 |                   |  Users            |
   |<----------------|                   |                   |

Claude 在任何时候都不会猜测或在网络上搜索。每一步都基于编入 MCP 服务器的文档。

成本比较

部署

将二进制文件打包为 MCPB 文件——一个包含服务器和清单的捆绑包——并随产品发布一起交付。客户只需一次性将其导入聊天客户端。服务器以 STDIO 模式作为本地子进程与聊天客户端并行运行。无需云服务、无需开放端口、无需配置。

要点

如果你的客户正在使用 AI 聊天客户端（而且他们确实在使用），他们已经在询问关于你的产品的问题。关键在于这些答案是来自你的文档，还是来自网络上的其他信息。

将你的文档打包到 MCP 服务器中，使正确的答案成为默认答案，客户无需任何设置，你也无需持续的基础设施成本。