RAG不是接个知识库
企业知识库效果差，很多时候问题不在模型，而在解析、切分、召回和上下文组织。

RAG不是“把PDF扔进去”，而是一条完整证据链：

文档解析 → 清洗切分 → 元数据标注 → Embedding与索引 → 召回 → 重排 → 上下文拼接 → 生成与引用

为什么切分关键？
切得太小，信息不完整；切得太大，召回不精准又浪费上下文。好的切分要尊重章节、段落、表格和语义边界，并保留来源、时间和权限。

为什么不能只做向量检索？
编号、名称和专业术语更适合关键词；意思相近但表达不同的问题适合向量检索。生产系统通常采用混合召回，再用重排筛选真正相关的证据。

RAG仍会幻觉：检索不到、检索错误、资料冲突或模型忽略证据，都可能导致错误。

因此要设置“证据不足不回答”、引用定位、版本管理，并分别评估召回率、证据相关性、引用准确率、忠实度、延迟和权限。

你的知识库更常见的问题是“搜不到”，还是“搜到了却答不对”？

RAG 企业知识库 大模型应用 向量数据库