企业知识库的主流方案仍是 RAG,但决定回答质量的通常不是模型强弱,而是资料质量、检索准确率和权限设计。源文章给出的务实路径,是先用50—200篇核心文档验证,再按问题扩展,这比一开始自建复杂系统更值得关注。

这是什么

RAG(检索增强生成)指先把文档切成片段并建立向量、关键词索引,用户提问时先找回相关原文,再交给大模型据此回答。它不把资料写入模型参数,因此知识库可以更新、可追溯,也更容易控制回答依据。

一套完整链路包括资料接入、清洗切块、混合检索、权限过滤、重排序、生成和更新。切块通常先从300—800字试起,相邻片段保留约10%—20%的重叠;检索时同时使用向量搜索和关键词搜索,并将候选结果压缩至3—5段。

文章建议企业先采用 Dify、FastGPT、RAGFlow 等平台处理小范围文档;确有深度定制需求时,再使用 LlamaIndex 或 LangChain 自建。向量库可选 Milvus、Qdrant 或 Postgres 的 pgvector 扩展,但它只是存储环节,单独更换通常不能显著改善效果。

行业怎么看

我们认为,企业知识库正在从“模型演示”进入“工程治理”阶段。回答必须附原文来源,检索不到就明确说资料里没有;否则流畅表达很容易掩盖资料错误。更重要的是,权限过滤应发生在检索之前,而不是生成之后,否则无权限内容可能已经进入模型的上下文。

但这套方案并非低成本捷径。文档解析、权限同步、版本替换和评测都需要持续投入,RAGFlow、Dify 等开源平台也没有消除运维负担。只追加而不删除旧片段,会让过期制度与新版本同时存在;跨文档总结也不能简单依赖一次检索,需要单独建设摘要或主题索引。

对普通人的影响

对企业 IT:知识库项目的重点应从采购更大模型转向整理资料、维护权限和建立30—50道真实问题的评测集。没有可衡量的问题集,团队很容易凭演示效果做技术决策。

对个人职场:制度、接口和排错资料会更快被找到,但使用者也需要核查引用。涉及薪酬、客户或技术细节时,答案仍应回到原始文件确认。

对消费市场:带来源的企业助手会逐步进入办公软件和客服场景;与此同时,文档副本云端保存、许可条款及数据出域风险,也会在采购个人版工具时成为实际约束。