企业 AI 知识库怎么落地？RAG 项目从资料整理到答案验收的六项工作

企业知识库的目标是让员工在获准范围内，更可靠地找到依据并完成任务。RAG（检索增强生成）将资料检索与语言模型组合，让生成过程利用检索到的内容；它不能自动保证资料正确、引用有效或权限安全。

先定义知识库服务的工作

“把全部文件放进去”很难验收。应先确定使用者与任务，例如售后查询安装条件、销售核对产品参数，或项目人员查找交付模板。不同任务需要不同资料、答案形式和人工审核。

建议先限定一个业务领域，收集真实问题并由业务人员标注依据。这样可以检验资料是否足够，而不是用生成能力掩盖资料缺口。无法从现有资料回答的问题，也是一项诊断结果。

第一项工作：整理可信来源

列出资料名称、来源、有效版本、更新时间、所有人和授权范围。相同文件的多份副本、扫描质量差、表格断裂或术语不一致，都可能影响结果。

资料清洗不等于统一改写所有文件。应优先处理会影响业务判断的冲突和缺失，并保留来源。没有人能确认内容有效时，不能因为它可被检索就视为权威依据。

第二项工作：让检索保留业务上下文

资料划分要考虑标题、表格、型号、时间和适用范围。把每个段落切得很短，可能使答案找到了规格数值却丢失适用条件；切得过长又可能增加噪声和成本。

可以用一组真实问题比较不同处理方式，分别观察是否找对文件、段落是否包含足够依据。不要只看最终回答，因为错误可能发生在检索之前，模型只是将错误资料表达得流畅。

第三项工作：区分找到了与答对了

检索成功不代表生成正确。系统可能混用两个型号、遗漏限制或引用了不支持结论的段落。验收应分别看检索覆盖、事实、引用、完整性和适当拒答。

对金额、技术参数和合同相关信息，业务方应确定更严格的审核与使用条件，不能用统一的语言流畅度分数代替判断。

第四项工作：把权限落实到所有路径

确定用户能检索的资料，也要确认模型输出、对话历史、导出、缓存与日志由谁访问。资料一旦进入模型上下文，答案可能重述其中内容；不能假设只有原文件下载受到限制就足够。

开发测试应覆盖角色差异、无权资料请求和恶意提示，并在应用与数据层落实约束。更多细节见AI 治理与权限。提示中写“不要泄露”可以辅助行为，但不能替代访问控制。

第五项工作：连接现有工作入口

知识库可能需要表单、查询页、业务系统侧栏或文档插件，不一定需要全新的门户。关键是用户是否愿意在原工作中使用，核查与修改是否方便。

如果员工复制问题、等待、再打开多个来源的总时间超过原流程，即使回答不错，也可能没有净收益。试点时观察完整任务，而不是只统计提问次数。

第六项工作：建立更新与维护

知识变化后谁更新、旧内容何时失效、更新后怎样测试，应提前确定。每次重大资料或模型变更，重跑代表性问题和历史错误样例，保留版本。

运行中收集无答案、错误引用、低质量反馈和成本，形成改进队列。不要让用户反馈直接未经审核地进入正式知识，否则可能把个别意见变成组织规则。

第一个项目该有多大

一个产品线、一组有效资料、一类用户和一套验收任务，通常比“全企业知识大脑”更容易定义。具体规模与周期取决于资料和接口条件，本文不提供通用上线时限。

如果任务需要处理订单状态、审批规则和动作，单纯文档问答可能不够，需要进一步建立业务对象与规则模型。准备验收时，可使用AI 试点验收框架。