微软开源 GraphRAG、本体增强和 LLM Wiki 等方向正在把 RAG 从“搜索资料后生成回答”推向企业知识系统,真正稀缺的已不只是模型能力,而是知识治理与持续维护能力。

这是什么

RAG(检索增强生成)是指先从企业文档中检索相关内容,再让大模型依据这些材料回答。它把企业私有知识接入模型,也降低了凭空编造的概率。

这篇文章用 21 章串起文档切分、向量检索、提示词、评估、监控与部署,并延伸到 Graph RAG、知识图谱、多模态检索和端侧运行。Graph RAG 不只找语义相近的段落,还会沿着实体关系寻找关联信息,适合合同先例、药物相互作用等复杂问题。

行业怎么看

我们注意到,RAG 的工程重心正从“搭出问答机器人”转向“让知识系统长期可信”。原因很直接:文档会过期,规则会变化,检索错误和生成偏差一旦进入业务决策,代价远高于一次普通问答失败。

但技术方向并不等于商业结果已经成熟。Graph RAG 和知识图谱建设成本高,适合关系复杂、错误代价高且知识稳定的场景;对资料简单、变化频繁的企业,简单 RAG 往往更划算。此外,自动生成和合并知识条目可能放大原始资料中的错误,缺少人工审核与版本追溯时,所谓“自进化”也可能变成“自污染”。

对普通人的影响

对企业 IT:企业知识库项目的评估重点将从回答效果转向更新成本、权限控制、评估体系和故障追踪,IT 团队需要同时治理模型与内容。

对个人职场:员工使用 AI 的方式会从临时问答转向查阅可追溯的内部知识,但系统给出的引用仍需核对来源,尤其是制度、价格和客户承诺。

对消费市场:客服、电商和软件产品会逐步提供更贴近个人资料的回答,同时数据授权、答案准确性与选择退出机制也会成为用户真正感知到的产品能力。