企业 RAG 知识库
企业 RAG 知识库是把企业文档、制度、知识和数据组织成可检索、可引用、可更新的问答系统。
RAG 的核心价值不是“让模型记住所有资料”，而是在回答问题或执行任务时，把正确、最新、被授权的企业上下文送到模型面前。对于大多数企业项目，RAG 往往比模型微调更先落地，因为企业知识变化快、权限复杂、需要引用来源。
mermaid
flowchart LR
A["原始资料"] --> B["清洗与结构化"]
B --> C["切分与元数据"]
C --> D["向量化"]
D --> E["检索索引"]
F["用户问题"] --> G["权限过滤"]
G --> H["语义检索"]
E --> H
H --> I["重排与引用选择"]
I --> J["模型生成答案"]
J --> K["引用、反馈与日志"]关键要素
- 文档清洗
- 知识切分
- 向量检索
- 权限过滤
- 引用展示
- 评估与更新
文档进入知识库前要处理什么
| 环节 | 目标 | 常见问题 |
|---|---|---|
| 格式解析 | 从 PDF、Word、网页、表格中提取可读文本 | 扫描件、页眉页脚、表格断裂、乱码 |
| 内容清洗 | 删除重复、噪声和无效内容 | 模型引用过期内容或无意义片段 |
| 结构识别 | 保留标题、章节、表格、编号和来源 | 答案无法说明依据来自哪里 |
| 切分策略 | 按主题和语义边界切块 | 切得太碎丢上下文，切得太大影响召回 |
| 元数据标注 | 加入部门、权限、版本、时间、文档类型 | 无法按用户身份过滤结果 |
评价一个 RAG 是否可用
企业 RAG 不应只看“能不能答出来”，而要看以下指标：
| 指标 | 说明 | 失败信号 |
|---|---|---|
| 召回率 | 正确资料是否被检索出来 | 明明文档里有，系统说不知道 |
| 精准率 | 检索结果是否和问题相关 | 答案引用了相似但不相关的制度 |
| 引用质量 | 能否给出可追溯来源 | 用户无法确认答案依据 |
| 权限正确性 | 是否只返回授权资料 | 普通员工看到管理层文档 |
| 更新速度 | 文档变化后多久生效 | 新制度上线后仍回答旧版本 |
| 反馈闭环 | 错误能否进入优化流程 | 同一个错误反复出现 |
企业场景示例
| 场景 | RAG 提供什么 |
|---|---|
| 内部制度问答 | 根据最新版制度回答流程、权限、报销、审批问题 |
| 医药资料检索 | 在药品说明书、临床资料、合规文档中查找依据 |
| 律所知识库 | 从合同模板、案例、法律意见书中辅助检索和起草 |
| 售前支持 | 根据产品文档、报价规则和交付案例生成回答 |
| 运维知识库 | 从故障手册、日志说明和历史工单中定位问题 |
与微调的区别
| 问题 | 优先 RAG | 优先微调 |
|---|---|---|
| 是否需要最新资料 | 是 | 否 |
| 是否要求引用来源 | 是 | 通常不是 |
| 是否包含大量企业私有知识 | 是 | 不一定 |
| 是否只是希望输出格式稳定 | 不一定 | 是 |
| 内容是否经常变化 | 是 | 否 |
如果业务目标是“根据企业资料回答”，通常先做 RAG。如果目标是“稳定模仿某类输出风格或格式”，才更接近 模型微调。
FDE 的 RAG 交付方式
FDE 会把 RAG 放进真实流程中，而不是只做一个问答框。一个完整方案通常包括知识入库、权限过滤、检索策略、答案引用、人工反馈、质量评估和持续更新。对于需要执行任务的场景，RAG 会和 智能体定制 配合，让 AI 在回答之外还能调用企业工具完成下一步。
常见误区
上传文档只是开始。真正可用的企业知识库需要处理权限、版本、召回质量、答案引用和错误反馈。
- 只用向量检索不一定够，很多场景还需要关键词、元数据过滤和重排。
- RAG 不能替代数据治理，源文档混乱会直接影响答案质量。
- 没有评估集的 RAG 很难持续优化。
- 没有引用和日志的 RAG 不适合高风险业务。