公司资料散在网盘、群聊和文档里,大家想问一句就得到答案,于是想到「搭个知识库」。真动手才发现:先把一堆文件丢进去并不等于能问答,知识库和 RAG 也不是一回事。这篇把两者的分工讲明白,再给一条从理语料到上线的落地顺序,以及每一步该去站内哪个页面核对工具与数据。
公司资料散在网盘、群聊和几个人的电脑里,谁想问一句就得先找人、再翻文件夹。于是很多人第一反应是「搭个知识库」。真动手才发现,把一堆文件丢进去,它并不会回答问题;能问答的那套东西,和你以为的知识库其实是两件事。这篇把两者的分工讲清楚,再给一条从理语料到上线的落地顺序。
先记住一句话:知识库负责「存得住、找得到」,企业问答负责「问得动、答得准」。中间那层把两者接起来的检索加生成,就是 RAG。下面拆开讲,每一步该做什么、该去站内哪个页面核对工具,都写清楚。
知识库到底是什么,和企业问答差在哪
知识库是「存」的那一侧:把资料按主题、权限、更新节奏管起来的一个集合。它的形态可以很土,比如一个整理好的文档站、一个 Wiki、一张数据库表;也可以很新,比如一个向量库。判断它是不是合格的知识库,看的不是用了什么技术,而是新人能不能在三分钟内找到某份制度的最新版。
企业问答是「用」的那一侧:让人用大白话问一句,系统直接给答案。它自己并不保管资料,而是每次提问时去知识库里捞出相关片段,再交给模型组织成话。这层「先检索、再生成」的机制就是 RAG。所以关系不是二选一,而是没有知识库,RAG 就没料可捞;没有 RAG,知识库只能靠人翻和关键词搜。
| 对比项 | 知识库 | 企业问答(含 RAG) |
|---|---|---|
| 主要职责 | 存资料、管权限、管版本 | 接问题、找片段、出答案 |
| 坏了的表现 | 搜不到、找到旧版本 | 答错、答一半、该拒答却硬答 |
| 维护重点 | 谁往里加、多久同步一次 | 召回准不准、出处对不对 |
| 先做哪个 | 永远先做这个 | 知识库没理顺之前别急着上 |
- 切分
- 把长文档拆成一段段可检索的小块,拆得好坏直接决定召回质量
- 召回
- 从库里挑出和问题最相关的若干片段,通常关键词和向量各挑一批再合并
- 重排
- 对召回的片段重新排序,把最该看的放前面,资料多或问题口语化时效果明显
- 元数据
- 附在每个片段上的来源、版本、权限标签,用来过滤和追责
- 答案只在内网文档、制度、FAQ 里,外部搜不到:适合上 RAG
- 资料更新频繁,靠人肉同步已经出错:适合上 RAG
- 问题本身是通用常识,模型自己就会:不必搭,白折腾
- 只有几页固定内容、半年不改:做个文档站加搜索就够,别上向量库
- 术语被绕晕时,先去 /ai-dict/category/basics 把「向量库」「召回」这些词对一遍再往下走
一条能跑通的最小链路:从进料到出答案
别一上来就想做全公司的平台。先用一个部门、一类问题跑通以下四步,链路能走通再谈扩展。每一步都有明确的验收动作,走不通就停在原地修,不要跳。
- 进料:把资料变成干净文本PDF、网页、聊天记录先统一转成纯文本,重点清掉页眉页脚、重复表格和扫描件的错字。验收方式:随机抽十份文件,人眼读一遍,看有没有整段乱码或缺内容。
- 切分与入库:按语义段落切不要按固定字数硬切,那会把一句话拦腰截断。按自然段或小标题切,每段额外带上来源、版本、权限三个标签。验收方式:随便挑一段,看它单独拿出来还能不能读懂。
- 检索:两路召回再合并关键词搜一批、向量搜一批,合并去重后留下最相关的若干条。资料量大或者用户问得很口语时,再加一层重排。验收方式:拿十个真实问题,看正确片段有没有被召回到。
- 生成:只依据片段回答把召回内容塞进提示词,明确要求只依据这些片段作答、并写出处;片段里没有的就回答「资料里没写」。验收方式:故意问一个库里没有的问题,看它会不会硬编。
四步里最容易被跳过的是第一步。多数「答不准」的锅最后都追到语料上:扫描件OCR成一堆错字、同一份制度存了三个版本、切分时把条件和结论切到了两段里。与其反复调模型参数,不如先回去把语料洗一遍。
落地顺序:先定边界,再挑工具,别反过来
最常见的翻车方式是先买了一堆工具,再回头想「这库给谁用」。顺序反过来,问题会少一大半:先把边界写清楚,再定更新规矩,工具选型放最后。
- 先写清三件事:谁用(内部员工还是外部客户)、主要问哪类问题、答错了谁负责。这三条直接决定要不要做权限隔离和人工兜底
- 再定更新规矩:谁负责往里加、多久同步一次、旧版本怎么淘汰。没有更新机制的库,过几个月就会开始给出过期答案
- 工具选型放最后:去 /stacks/vector-dbs 看向量库选型,去 /embeddings 挑嵌入模型,成品问答产品可以在 /ai-nav/category/ai-note 和企业服务类目录里找
- 小团队先用现成工具跑通一个部门,验证有效再扩;一上来就做全公司平台,通常死在没人维护
- 选型时把「以后换不换得掉」当一条硬指标:数据能不能导出、接口是不是通用,比当下功能多不多更重要
| 阶段 | 产出物 | 谁来拍板 |
|---|---|---|
| 定边界 | 一页纸写清用户、问题范围、责任归属 | 业务负责人 |
| 定规矩 | 更新频率、负责人、旧版处理方式 | 业务负责人加IT |
| 选工具 | 向量库、嵌入模型、问答前端的候选清单 | 技术负责人 |
| 小范围试跑 | 一个部门的问答入口加二十条测试问题 | 业务加技术共同验收 |
上线前先自测:答不准多半不是模型的问题
上线前先备好二十条真实问题,覆盖三类:能答的、该拒答的、需要权限才能看的。逐条看它召回的是不是正确片段,而不是只看最终那句话顺不顺。答案顺但引用的片段不对,是最危险的一种假通过。
- 答不准优先查语料:切分切断了语义、同一份资料存在多个版本、权限没过滤导致串库,这三类占大多数
- 准备二十条真实问题,覆盖能答、该拒答、需权限三类,逐条核对召回的片段是不是对的
- 更新资料后重跑那二十条,看有没有出现回退;只看单次效果不看回退,等于没测
- 把「不知道」的比例当成健康指标来盯:一个什么都敢答的系统,比一个会说不知道的更危险
- 检测和长期观察可以去 /tools/quality-check 与 /tools/quality-monitor,具体指标和当时的数值以页面为准
知识库解决的是「资料在不在、对不对」,RAG 解决的是「问一句能不能拿到」。前者没做好,后者越努力越像在编。下一步先按上面的顺序把边界和语料这两步做掉,再去选工具。向量库和嵌入模型的对比可以先到 /stacks/vector-dbs 和 /embeddings 看当前收录与说明,数值以页面为准。→
常见问题
知识库和 RAG 是一回事吗?
不是。知识库解决资料存哪、谁能看、怎么更新的问题;RAG 解决怎么从库里找出相关片段再让模型作答的问题。你可以有知识库不做 RAG(靠人搜),也可以有 RAG 接在别人的库上,但企业问答通常两者都要。
小团队没有工程师,能搭起来吗?
能,但建议先用成品工具而不是自己拼。挑工具时重点看三件事:能不能自动同步你现有的网盘或文档、能不能按人设权限、导出和迁移方不方便。先用一个部门、一类问题跑一个月,再决定要不要扩。
搭好之后答得不准,该换模型还是换工具?
先别换。八成问题出在语料:文档切分断了上下文、旧版本没清掉、权限没过滤。把这几个查完还是不行,再考虑换嵌入模型或加重排。具体怎么自查可以去 /tools/quality-check 走一遍检测。