5万字制度文档的实测里，递归分块把检索准确率从62%拉到79%，回答准确率从55%提升到76%；我们的判断是，企业做RAG（检索增强生成，让大模型先检索资料再回答）时，真正拉开差距的不是模型大小，而是知识库工程是否做细。

这是什么

这篇文章不是教程，而是一份企业级知识库架构选型笔记。核心观点很直接：所谓“上传文档+搜索+生成答案”的简化流程，在企业里很容易失效，因为PDF表格会碎、页眉页脚会污染内容、相近问题会检索出不同材料，最后导致答案不稳、来源不清、用户不敢信。

作者把问题拆成七个环节：文档处理、分块、向量化、检索、重排、生成、引用。其中最值得注意的是前两步：文档解析和分块。前者决定你喂给系统的是不是干净材料，后者决定系统能不能把正确片段找回来。

行业怎么看

这类经验和行业现实是对得上的：企业知识库项目常常不是败给“模型不够聪明”，而是败给脏数据、坏切片和不稳定检索。文章给出的结论也很鲜明——递归分块比固定长度分块更适合正式场景，混合检索比单一向量检索更稳。

但反对意见也成立。第一，这套方案工程很重，OCR、表格解析、重排和引用追溯都会推高成本；第二，文章里的效果数据来自单一文档与场景，未必能直接外推到客服、法务或制造业知识库；第三，RAG并不能天然解决“知识过时”和“答案责任”问题，引用做得再好，也不等于业务部门就会完全信任。

对普通人的影响

对企业 IT：采购大模型不再是重点，先把文档治理、权限、引用链路做好，ROI才可能成立。

对个人职场：会写提示词的重要性在下降，能把公司资料整理成可检索资产的人，价值在上升。

对消费市场：未来我们见到的“AI客服”“AI助手”好不好用，差别可能不在模型名字，而在背后知识库是不是干净、完整、可追溯。