很多企业做 AI 问答系统第一步都是接知识库、上 RAG。但真正上线后业务方经常还是会反馈“明明知识库里有为什么没答出来”“它召回了很多内容但没有一个是关键答案。”“回答看起来流畅但口径不对。”“用了 GraphRAG为什么还是不好用”原因其实很简单RAG 不是一个开关而是一条链路。只要链路上的任何一个环节有问题最终答案都会不稳定。一、先看知识源知识是不是干净的很多企业以为把文档上传到知识库就完成了知识建设。但真实情况往往是文档过期多个文档口径冲突同一业务不同地区规则不同制度文件太长没有明确答案PDF、Word、Excel、网页格式混杂表格、图片、流程图没有被正确识别很多关键规则只存在于人工经验里没有沉淀成知识如果知识源本身是脏的RAG 只会从脏知识里找答案。优化方向清理过期文档建立唯一有效口径标记地区、渠道、时间、适用人群把长制度拆成 FAQ、SOP、政策、话术明确知识更新责任人和更新周期高风险知识增加人工审核二、文档解析错了后面都会跟着错企业知识经常不是干净文本而是各种复杂格式。文档解析可能出现标题层级丢失表格错位页眉页脚混入正文目录和编号被当成正文图片里的关键信息没有 OCR流程图没有结构化跨页表格被切断附件关系丢失如果文档解析错了后面的切片、Embedding、召回都会被影响。优化方向对 Word、PDF、Excel 分别制定解析策略表格类知识单独处理流程图转成步骤说明图片内容做 OCR保留标题层级和章节关系对解析结果做抽样检查三、Chunk 切片要保留业务语义Chunk 切片是 RAG 里非常容易被低估的一步。切得太短语义不完整。切得太长噪音太多。比如一个业务规则包括办理条件、资费说明、限制条款、办理路径如果切片只切到资费没有切到限制条件模型就可能给出错误答案。优化方向不要只按固定字数切、按业务主题切按 FAQ、SOP、政策、话术分层切按地区、渠道、用户类型加元数据保留父标题和上下文对高频业务单独设计切片规则四、Embedding 要能理解企业黑话企业内部有大量行业术语、缩写、产品名、别名。比如“校园卡”、“青春卡”、“学生套餐”、“开学季流量卡”、“19 元那个卡”业务上可能指向同一类产品但向量模型不一定理解它们的关系。优化方向建立业务词典维护同义词表整理产品别名补充用户口语表达引入意图标签和实体标签必要时选择更适合中文和行业语义的 Embedding 模型五、TopK 不是越大越好很多人以为召回越多越安全但不是。TopK 太小容易漏掉关键知识。TopK 太大容易引入噪音让模型混淆。尤其是企业场景里经常有新旧政策、不同地区政策、不同渠道口径混在一起。优化方向按意图配置不同 TopK增加时间、地区、渠道过滤先粗召回再重排对高风险问题提高证据要求对召回结果做相关性打分证据不足时拒答或转人工六、GraphRAG 不是建了图谱就有用GraphRAG 能帮助系统理解实体和关系但前提是图谱本身可靠。如果实体抽取错、关系定义不清、字段标准不统一GraphRAG 也会把错误关系放大。常见问题包括同一个产品有多个名称没有合并、实体抽取不准、关系粒度太粗、不同系统字段不一致、图谱更新滞后于业务政策、图谱和文档知识库没有打通、图谱查到关系但生成答案时说不成人话优化方向定义行业实体体系统一字段标准建立实体别名和合并规则明确关系类型设计图谱更新机制处理冲突和重复知识让图谱结果和 RAG 文档互相校验七、召回正确不代表回答好RAG 找到了正确知识不代表最终答案就好。生成层还可能出现答案太像制度文件、语气不符合客服场景、回答太长没有重点、没有下一步动作、没有区分对内和对外口径、涉及费用、合约、投诉时没有风险控制、明明该转人工却强行回答优化方向区分对内员工版和对外客户版为不同意图设计回答模板要求答案给出下一步动作对费用、合约、投诉、办理类问题设置合规规则增加拒答和转人工机制优化 Prompt让模型基于证据回答不要自由发挥八、没有 BadCase 闭环RAG 永远靠感觉RAG 系统不是上线就结束而是要持续迭代。每个 BadCase 都应该被归因是知识缺失是知识冲突是切片问题是召回失败是召回噪音是生成风格问题是业务规则没配置是该转人工没转优化方向定期抽取线上 BadCase建立错误类型标签沉淀标准问法和标准答案构建评测集每次优化后回归测试优先处理高频、高风险、高投诉问题九、结论企业问答上了 RAG 还是不好用不是因为 RAG 没价值而是因为 RAG 不是一个单点功能。它是一整条链路知识源 → 文档解析 → Chunk 切片 → Embedding → 检索召回 → Rerank → GraphRAG → Prompt → 生成 → 合规 → 评测迭代任何一个环节没做好最终答案都会出问题。所以优化 RAG不能只问“模型换不换”。更应该问知识干净吗切片合理吗召回准确吗图谱可靠吗生成可控吗业务口径安全吗BadCase 有没有持续迭代一句话总结RAG 的核心不是把文档接进大模型而是把企业知识整理成模型能检索、能理解、能引用、能安全输出的结构化能力。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
