RAG 是什么？检索增强生成与知识库搭建入门指南

一句话说清 RAG

RAG（Retrieval-Augmented Generation，检索增强生成）是一种让大模型"开卷考试"的技术：模型回答问题前，先从一个外挂知识库里检索出相关资料，再把资料和问题一起交给模型组织答案。模型不再是靠训练时"背"下来的通用知识答题，而是基于你指定的资料作答——回答有出处、可追溯、能随时更新。

对应到企业场景：把合同、制度、技术手册、研究报告放进知识库，员工向 AI 提问时，答案来自企业自己的文档，而不是模型的"想象"。这就是RAG 知识库，也是当前企业级 AI 应用落地最主流的架构。

为什么大模型需要外挂知识库

1. 模型不了解你的企业

通用大模型的训练数据来自公开互联网，它不知道你公司的报销制度、产品参数、法律合同。直接问，只能得到泛泛而谈的通用回答。

2. 知识存在截止日期

模型训练完成后，世界还在变化。去年的制度、上个月更新的报价单，模型统统不知道。外挂知识库可以随时更新，新文档入库即刻生效。

3. 幻觉问题

没有依据时，大模型倾向于"编"一个听起来合理的答案。检索增强生成强制模型基于检索到的资料作答，回答可溯源，幻觉率大幅下降。

4. 数据安全

把企业文档全部喂给模型做训练既不现实也不安全。RAG 的知识库可以私有化部署——文档不出内网，模型只是"查阅"资料，而不是"记住"资料。

RAG 知识库搭建的 5 个步骤

一套生产级 RAG 知识库的搭建流程，远不止"把文档丢进向量库"。以下 5 步是行业实践的标准链路：

第 1 步：文档解析

把 PDF、OFD、Word、Excel、PPT、扫描件变成模型可读的结构化文本。难点在扫描件 OCR、表格行列结构保留、版式文档（如政务 OFD 公文）的阅读顺序还原。解析质量是整条链路的地基——实测中，443 页 OFD 版式文档完成解析全流程约需 124 秒，三层解析质检可达 0.924 分（结构层满分）。

第 2 步：文档清洗

去掉页眉、页脚、页码、水印，剔除重复内容。这些"噪音"如果不去除，会污染全链路：AI 回答里会带出页码水印，检索时产生大量误命中。

第 3 步：敏感信息脱敏

合同里的公章、员工证件照、客户个人信息——这些内容一旦入库，检索权限稍有不慎就是数据泄露事故。入库前用 AI 自动检测并打码 13 类敏感信息（人脸、公章、证件、车牌等），处理记录全程可审计，法务与信息安全才敢签字。

第 4 步：智能切片

把长文档切成适合检索的"知识块"。这一步最忌讳固定长度粗暴切块——一句话被切成两半，语义断裂，检索到也答不对。生产级做法是按文档类型差异化切片：合同按条款、手册按章节、FAQ 按问答，每块保留父子关联与元数据（部门、版本、权限）。

第 5 步：三层评测

知识库上线不是终点。结构层（解析完整度）、检索层（HitRate@K / MRR / NDCG）、生成层（忠实度 / 答非所问率）三层指标持续体检，用户点踩自动归因到具体环节（是切片切断语义，还是清洗误删内容），形成优化闭环。

企业知识库搭建最常见的 5 个坑

常见坑	典型表现	正确做法
固定长度切块	一句话被切成两半	按文档类型切片，保语义完整
只做向量检索	型号、编号查不准	元数据过滤前置，关键词+向量混合召回
没有权限控制	实习生能查到薪酬合同	知识点级权限标签
敏感信息裸奔入库	公章、证件照进向量库	入库前 13 类 AI 脱敏，可审计
没有评测闭环	答错了不知道错在哪	三层评测 + 点踩归因到环节

RAG 知识库效果 = 模型能力 × 数据质量

市面上主流大模型的能力差距正在缩小，真正拉开企业级 RAG 效果差距的是数据质量：解析是否完整、切片是否保语义、语料是否干净、权限是否清晰。这也是为什么越来越多团队选择专业的数据工程管线来处理"文档到向量库之间"的那段路，而不是全部自研——把工程量最大、最吃经验的部分交给成熟管线，模型与向量库仍可自由选型。

评估一套 RAG 数据预处理方案时，建议重点验证三件事：① 用你最难的文档（扫描件、OFD 公文、复杂表格）实测解析质量；② 检查是否内置脱敏与权限打标；③ 是否有评测闭环让效果可持续优化。了解 UGLYPEAR RAG 数据工程基座，或查看完整实测数据。

← 返回技术博客