企业知识库（RAG）怎么搭？

RAG（检索增强生成）的基本思路是：先从您的文档里检索出相关片段，再让模型只依据这些片段作答，并附上出处。这样答案可以被核对，数据也不需要被训练进模型。下面按流水线顺序展开。

一、六个环节

标准流水线是：文档解析 → 切分与元数据 → 混合检索 → 重排序 → 带出处的生成与拒答 → 评估与回归。每个环节对应的失败模式与处理方式，见 AI 私有化部署：技术架构。本文侧重搭建时的实操要点。

二、几个关键细节

文档要先“治理”，再入库

知识库里的每份文件都应该有明确的版本、生效日期和责任部门。过期版本要么下线，要么在答案中明确标识。没有人负责维护的知识库，三个月后答案就会陈旧。启动前要先确认：谁维护、多久更新、更新流程是什么。

权限要在检索阶段就生效

如果等模型生成答案之后再屏蔽越权内容，敏感片段已经进入了模型的上下文。正确做法是检索阶段就按用户权限过滤，无权访问的文档根本不进入候选集。律所的利益冲突隔离、学校的学生信息分级，都依赖这一点。

“拒答”是功能，不是缺陷

一个从不回答“不知道”的系统是不可信的。应当刻意在评估集里加入知识库中不存在答案的问题，检查系统是否会合理拒答。

三、怎样验收

用评估集验收，而不是凭演示：检索命中率、答案有据率、合理拒答率、人工复核工作量、响应时间。指标含义与用法见 效果如何衡量。评估集由业务人员与实施方共同构建，一般 100～300 题，题目与标准答案归客户所有；我们不会在没有见到真实数据之前，承诺任何具体的准确率数字。

四、落地顺序建议

1. 选 1～2 个场景，不要一次铺开。
2. 清点文档数量、格式与版本状态，确认维护责任人。
3. 建评估集，用脱敏真实材料做 PoC，拿到基线数据。
4. 达标再工程化：权限、日志、管理后台与增量更新。
5. 与原工作方式并行试运行，回流 Bad case，再正式移交。

更详细的能力边界与部署形态，见 AI 私有化部署与业务智能体；硬件量级可以用 配置计算器 估算。

常见问题