企业RAG知识库构建实战

这个技能解决什么问题

多数企业 RAG 项目上线后答非所问、检索不到，或者“一本正经地胡说”。这个技能给出的判断很直接：失败的主因不是模型，而是文档质量与切块策略。模型只占最终效果的 20%，检索链路占 80%。因此它面向几类具体场景：

• 想给公司做制度/产品知识问答机器人，但无从下手
• RAG 已经答非所问、检索不到或生成内容出错，需要定位是检索问题还是生成问题
• 几千份文档不知道怎么切块、怎么更新
• 客服知识库接入大模型，需要完整的规划路径

核心思路与工作流程

技能的工作方式是“先诊断、再设计、后验收”：

1. 需求诊断 5 问：任何方案之前先确认问什么、答案在哪、谁能看、多久变、错了多严重。拿不到真实问题就先做问题收集，不动手。
2. 先修文档再上模型：扫描件、双栏 PDF、表格截图不处理，什么框架都救不了。文档类型对照表给出解析要点与切块建议——制度合同按条款切并携带元数据，FAQ 一问一答独立成块，表格转结构化文本而不是直接切碎。
3. 检索链路设计：向量 + 关键词混合召回，top20 召回后重排取 top5 进上下文；口语化 query 先改写，多轮对话做指代消解。
4. 受控生成：提示词限定“仅依据资料回答，没有就说不知道”，每个结论标注来源编号，可跳回原文。
5. 翻车点排查表：按症状定位原因，例如专有名词查不到通常是纯向量检索的短板，权限穿透问题必须确认过滤发生在召回阶段而非提示词里。
6. 上线验收清单：评测集 ≥50 题，覆盖高频、长尾、应拒答三类，准确率、引用正确率、拒答正确率三项指标达标；权限用例实测；文档更新演练；badcase 上报通道。

适用边界

本技能提供方法论与架构建议，不绑定特定商业产品，选型以团队技术栈与合规要求为准。合规、医疗、金融条款等高风险场景默认启用“仅返回原文 + 出处、不做归纳推断”的保守模式，AI 输出仅供参考，最终口径以监管机构与官方文件为准。