RAG & Knowledge Engineering
企业 RAG 知识库
把分散的文档和业务知识整理成可检索、可授权、可评测的知识服务，让 AI 回答尽量有据可查。
资料治理检索增强答案引用权限隔离评测更新
RAG 的核心不是“上传文件”。效果取决于资料质量、切分方式、检索策略、权限模型、提示设计和一套可重复的评测集。
Process
建设步骤
先整理知识和问题，再选择向量库或框架，通常比先买技术平台更稳妥。
知识盘点
确认资料来源、格式、负责人、更新频率、有效期和访问权限。
清洗与切分
去重、纠错、保留标题层级和元数据，按内容特点设计分段。
索引与检索
结合关键词、向量、重排和过滤，找出真正相关的依据。
生成与引用
约束模型基于检索结果回答，展示来源并处理无答案情况。
评测与更新
用真实问题测试召回和答案质量，持续更新知识和策略。
Quality
如何判断效果
检索是否找对
正确资料是否出现在前几条结果，是否被无关内容干扰。
回答是否有据
结论能否被引用片段支持，不确定时是否明确说明。
权限是否正确
不同用户只能检索其有权访问的资料，并留下审计记录。
FAQ
常见问题
资料越多，知识库效果越好吗？
不一定。过期、重复、矛盾或缺少结构的资料会降低效果。先选择高价值资料并建立更新责任更重要。
RAG 能完全避免幻觉吗？
不能。RAG 可以提供依据并降低部分错误，但仍需要无答案策略、引用展示、评测和必要的人工审核。
可以按部门和人员控制权限吗？
可以，但需要把现有身份和授权规则带入文档、索引、检索和回答链路，不能只在界面层隐藏。