从0到1搭建企业级RAG知识库：选型、评测与上线checklist

企业知识散落在文档、工单和Wiki里，员工查找效率低、答案口径不一。检索增强生成（RAG）把"检索"和"生成"结合起来，让大模型基于企业私有资料回答，是当前最务实的AI落地路径之一。

一、先想清楚：要不要上RAG

不是所有场景都适合。规则明确、命中率要求极高的任务，先用搜索或数据库；只有当问题多样、答案藏在大量非结构化文档里时，RAG才划算。建议先用一个真实业务问题做PoC，用数据说话，避免为了用而用。

二、技术选型

**文档处理**：统一解析PDF、Word、网页，关键是保留标题层级与表格结构。

**切分策略**：按语义切块而非固定字数，保留上下文重叠，避免把一句话切断。

**向量库**：中小规模用轻量方案，海量数据再上专用向量数据库。

**模型**：embedding决定"找得准"，生成模型决定"答得好"，两者都要评估。

**框架**：用成熟编排框架快速搭原型，再按需要替换组件。

三、评测怎么做

别只信"感觉答得还行"。建立小样本评测集，覆盖典型问题与边界情况，从三个维度打分：检索召回率（该找的文档找到没）、答案准确率（有没有幻觉）、响应时延（用户等得起吗）。每次改切分或换模型，都跑一遍评测对比。

四、上线checklist

权限与脱敏：谁能看哪些资料，敏感字段是否脱敏；

可追溯：答案能回链到原文，方便核对；

兜底机制：检索为空时明确告知，不硬编；

监控：记录高频问题与失败案例，持续迭代语料；

反馈闭环：让用户点赞/纠错，反哺评测集。

RAG不是一锤子买卖，上线只是起点。把评测和反馈跑成常态，知识库才会越用越准。