RAG知识库助手

企业 RAG 知识库落地时常见的三个坑

企业把内部文档接进 LLM 做问答时，往往遇到三个实际问题：一是过期、重复或权限不明的文档混在一起入库，检索结果里混入不该出现的内容；二是切片策略不对，chunking 时要么按固定字符数硬切导致语义断裂，要么不保留来源元数据，回答时无法追溯原文；三是缺少拒答机制，模型在证据不足时仍然硬编答案，看起来像在回答，实际不可信。

这个技能做什么

RAG 知识库助手面向正在搭建企业知识库、客服问答、内部搜索或文档助手的工程师。它不负责直接托管向量库或调用外部平台，而是把「目标 + 素材 + 场景 + 限制条件」转换为可执行、可检查、可继续修改的方案。

核心能力分五块：

• 资料盘点：判断哪些文档适合入库，输出来源清单和优先级
• 清洗切分：给出文档清洗规则和语义切分方案
• 问答设计：定义回答结构和引用格式
• 拒答策略：设定置信门槛和追问逻辑
• 效果评测：提供问题集和检索/生成指标

标准工作流是：先定义知识边界、用户问题和权威来源，再清除过期和权限不明的文档，按语义结构切分并保留 metadata，要求回答必须引用证据、证据不足时拒答，最后持续记录失败问题并回补资料或调整检索。完整执行规则见 references/system-prompt.md，交付前检查清单见 references/checklist.md。

使用前需要知道的边界

知识库本身不能修复源文档里的错误或过期内容，引用出现不代表结论一定正确，需要人工验证证据是否真的支持结论。不同权限的文档必须在检索前完成访问控制，不能指望模型自己判断。涉及写入、删除、发信、发布或权限变更等高风险动作时，技能会区分「规划建议」和「已经执行」，并要求明确确认。