企业RAG知识库怎么搭（工程视角）

RAG（检索增强生成）是企业AI落地最主流的方案——让AI基于企业知识库回答。但原型好搭，搭好很难，效果差往往是知识库和工程细节的问题。 这篇从工程视角讲清怎么搭。

RAG是什么

让AI基于检索到的知识库内容回答，而不是凭模型记忆：

用户问题 → 检索相关知识 → AI基于检索内容生成答案（标注来源）

降低幻觉，让AI用企业知识。

RAG的完整流程

1. 知识准备

• 知识采集、清洗、去重。
• 分类和规范化。
• 及时更新。
• 知识库质量决定RAG上限。

2. 切片（Chunking）

• 把长文档切成小块。
• 切片大小和方式影响检索质量。
• 太碎丢上下文，太大召回不准。

3. 向量化（Embedding）

• 把文本转成向量。
• 选择embedding模型。

4. 向量存储

• 存到向量数据库。
• 支持相似度检索。

5. 检索

• 根据问题检索相关知识。
• 混合检索（向量+关键词）效果更好。

6. 重排序（Rerank）

• 对检索结果重新排序。
• 把最相关的排前面。
• 提升准确率。

7. 生成

• AI基于检索内容生成答案。
• 提示词约束（基于资料、标注来源、不确定说明）。

8. 评测与优化

• 建评测集，量化召回率和准确率。
• 持续优化。

效果差的原因排查

建评测集，针对性优化，不凭感觉。

关键工程细节

• 知识治理：质量是基础。
• 切片策略：影响检索。
• 混合检索：向量+关键词。
• 重排序：提升准确。
• 权限：知识可见范围。
• 评测：量化效果。

别踩的坑

• 知识库乱就上RAG：效果差。
• 不建评测集：不知道好坏。
• 只调模型不调工程：模型不是唯一因素。
• 忽视权限：知识泄露。
• 不持续更新知识：给过时答案。

成本参考

怎么开始

1. 先治理知识（规范、去重、更新）。
2. 设计切片和检索策略。
3. 建评测集，量化效果。
4. 持续优化工程细节。
5. 做好权限和更新机制。

广州市汉诺雷斯（HNREIS）帮企业搭建RAG知识库，从知识治理、切片检索到重排生成和评测优化，私有化可选。把你的知识库场景告诉我们，我们给出工程方案。