RAG(先检索企业知识、再让模型基于材料回答)最常见的方式,是把文档切碎后按相似度召回,但面对计数、跨文档关系等任务时,答案质量会明显下降。三种结构化索引方案正在补上这块短板。

这是什么

RAPTOR 先把相似文本聚类并逐层总结,形成从原文到全局摘要的树,适合“先讲总体、再查细节”的技术文档。GraphRAG(用知识图谱表示实体及关系)沿关系寻找线索,更适合医疗、法律等需要理解多方联系的任务。

火山引擎开源的 OpenViking 则把文档、用户记忆和 Agent 技能(智能体可执行的任务与能力)映射为虚拟文件,让智能体像操作文件夹一样读取、沉淀信息。它还通过分层加载控制上下文长度,并记录信息更新时间。

行业怎么看

我们注意到,知识库建设正在从“能搜到”转向“能组织、能解释、能更新”。这会提升复杂问答的可靠性,也让企业更容易追查答案依据,对知识密集型服务尤其有价值。

但结构化索引并非免费午餐。建索引前调用模型会增加算力、维护和清洗成本;摘要可能损失细节,图谱也会受抽取错误影响。OpenViking 还依赖文件之间建立链接,否则只是换了一种方式制造信息孤岛。此外,知识过期仍需靠增量更新、版本管理和定期清理解决。

对普通人的影响

对企业 IT:企业知识库不必全部采用复杂方案。层级清晰的技术文档可尝试 RAPTOR,关系密集场景再考虑 GraphRAG,同时为更新频率和审核成本预留预算。

对个人职场:依赖 AI 检索制度、合同和项目资料的人会得到更连贯的答案,但关键数字仍应回看原文,避免摘要错误进入决策流程。

对消费市场:客服、健康管理和学习产品会逐步具备跨材料归纳能力;体验提升的同时,来源追踪与版本提示也会成为用户信任产品的重要依据。