RAG 是这两年企业 AI 项目里出现频率很高的词。

有人把它当成一种模型，有人把它当成知识库。更准确地说，RAG 是一种工作方式：先检索，再生成。

它怎么工作

用户问一个问题，系统先在企业资料里找相关内容，再把找到的内容和问题一起交给模型，让模型基于这些内容回答。

三步：

  1. 检索：从文档、工单、产品资料里找相关段落；
  2. 增强：把找到的内容放进提示词；
  3. 生成：模型基于这些内容组织答案。

所以 RAG 的重点不是“模型多聪明”，而是“资料找得准不准、内容对不对”。

企业为什么需要它

答案有来源。 模型可以引用具体文档和段落，员工能核对。 知识能更新。 改文档比重新训练模型快。 权限可控。 不同角色能查的资料不同。 减少胡编。 有资料约束，模型更不容易凭空回答。

对于产品资料、售后政策、内部制度这类经常变化的内容，RAG 比“把知识塞进模型”更实用。

它解决不了什么

RAG 不是万能药。

  • 资料本身是错的，它会把错误答案说得更自信；
  • 文档没有结构，检索很难找对；
  • 没有测试集，无法判断回答好坏；
  • 权限没设计，可能把不该看的内容给错人。

所以 RAG 项目的一半工作，在知识整理和评测，不在模型。

怎么开始

先选 50 个真实问题，不要编。

把这些问题对应的资料找出来，检查：

  • 有没有答案；
  • 答案是不是最新；
  • 两份资料有没有冲突；
  • 回答需不需要权限。

然后把资料切成适合检索的段落，标清来源和更新时间。上线后每周看未解决的问题，补资料或改切分。

一个判断

如果你的知识库只是“把文档传上去”，没有来源、没有更新、没有测试，那它可能只是一个搜索框。

RAG 的价值，是让回答有依据。依据不清楚，RAG 也救不了。

还有一个常见问题：文档切得太碎，答案拼不起来；切得太大，检索又不准。切分没有唯一标准，要用真实问题测。先按标题和段落切，再看回答缺什么，逐步调整。另外，RAG 的回答最好带出处。员工能点开原文核对，信任度会高很多；出处要能定位到段落，不只是文件名。更新文档后，索引也要重建，否则新资料查不到。

RAG 上线后，最好每月抽查一批回答。看它引用的段落对不对，比只看回答顺不顺更重要。引用错了，答案再顺也没用。抽查记录留给下一版对比，这样才知道改动有没有变好。

出处要能点开。点不开，信任就断。先修这个。

如果你正在建企业知识库，可以看我们的企业知识库搭建与知识库更新机制，先把资料和测试集准备好。