RAG 是什么？检索增强生成与知识库搭建入门指南

一句话说清 RAG

RAG（Retrieval-Augmented Generation，检索增强生成）是一种让大模型“开卷考试”的技术：模型回答问题前，先从一个外挂知识库里检索出相关资料，再把资料和问题一起交给模型组织答案。模型不再是靠训练时“背”下来的通用知识答题，而是基于你指定的资料作答，回答有出处、可追溯、能随时更新。

拿考试打比方：闭卷考试考的是记忆，开卷考试考的是查找与综合。大模型出厂时只读过“公开互联网”这一份教材，你公司的报销制度、产品参数、客户合同都不在课本里；RAG 相当于在考场上给它递了一摞你指定的参考资料，答什么、依据什么，全由这摞资料决定。对应到企业场景：把合同、制度、技术手册、研究报告放进知识库，员工向 AI 提问时，答案来自企业自己的文档，而不是模型的“想象”。这就是RAG 知识库也是当前企业级 AI 应用落实最主流的架构。

它和微调解决的是两个不同的问题：微调改变模型的“行为习惯”，说话风格、输出格式、领域语感；RAG 改变的是模型的“知识来源”。企业知识天天在变，靠重新训练来更新知识既不现实也不经济，这是 RAG 成为知识密集型应用首选的根本原因。两者详细差异见RAG 与微调的对比。

为什么大模型需要外挂知识库

第一，模型不了解你的企业。通用大模型的训练数据来自公开互联网，它不知道你公司的报销制度、产品参数、法律合同。直接问，只能得到泛泛而谈的通用回答，语气流畅、内容空泛，恰恰是最容易让员工信以为真的那种答案。

第二，知识存在截止日期。模型训练完成后，世界还在变化。去年的制度、上个月更新的报价单，模型统统不知道。外挂知识库可以随时更新，新文档入库即刻生效，不需要重新训练，也不用等模型厂商发新版。

第三，幻觉问题。没有依据时，大模型倾向于“编”一个听起来合理的答案，而且编得一本正经。检索增强生成强制模型基于检索到的资料作答，回答可溯源，幻觉率大幅下降。对客服、法务、合规这类“错一句就要担责”的场景，可溯源不是加分项，而是准入项。

第四，数据安全。把企业文档全部喂给模型做训练既不现实也不安全。RAG 的知识库可以私有化部署文档不出内网，模型只是“查阅”资料，而不是“记住”资料。这让政企、金融客户在合规评审时有据可依。

RAG 知识库搭建的 5 个步骤

一套生产级 RAG 知识库的搭建流程，远不止“把文档丢进向量库”。以下 5 步是行业实践沉淀出的标准链路，前两步决定数据质量，中间两步决定检索效果，最后一步决定效果能不能持续：

第 1 步：文档解析。把 PDF、OFD、Word、Excel、PPT、扫描件变成模型可读的结构化文本。难点在扫描件 OCR、表格行列结构保留、版式文档（如政务 OFD 公文）的阅读顺序还原。解析质量是整条链路的地基，实测中，443 页 OFD 版式文档完成解析全流程约需 124 秒，三层解析质检可达 0.924 分（结构层满分）。地基不稳，后面每一步都在放大误差。

第 2 步：文档清洗。去掉页眉、页脚、页码、水印，剔除重复内容。这些“噪音”如果不去除，会污染全链路：AI 回答里会带出页码水印，检索时产生大量误命中。清洗规则要按文档类型定制，一刀切的规则很容易把正文误删。

第 3 步：敏感信息脱敏。合同里的公章、员工证件照、客户个人信息，这些内容一旦入库，检索权限稍有不慎就是数据泄露事故。入库前用 AI 自动检测并打码 13 类敏感信息（人脸、公章、证件、车牌等），处理记录全程可审计，法务与信息安全才敢签字。

第 4 步：智能切片。把长文档切成适合检索的“知识块”。这一步最忌讳固定长度粗暴切块一句话被切成两半，语义断裂，检索到也答不对。生产级做法是按文档类型差异化切片：合同按条款、手册按章节、FAQ 按问答，每块保留父子关联与元数据（部门、版本、权限）。切片策略的取舍展开见切片策略专题。

第 5 步：三层评测。知识库上线不是终点。结构层（解析完整度）、检索层（HitRate@K / MRR / NDCG）、生成层（忠实度 / 答非所问率）三层指标持续体检，用户点踩自动归因到具体环节（是切片切断语义，还是清洗误删内容），形成优化回路。

企业知识库搭建最常见的 5 个坑

这 5 个坑几乎每个团队都踩过至少一个，区别只在发现的早晚：

RAG 知识库效果 = 模型能力 × 数据质量

市面上主流大模型的能力差距正在缩小，真正拉开企业级 RAG 效果差距的是数据质量：解析是否完整、切片是否保语义、语料是否干净、权限是否清晰。同一个模型，接一套干净的知识库和接一套“噪音+断句+越权”的知识库，表现判若两个产品。这也是为什么越来越多团队选择专业的数据工程管线来处理“文档到向量库之间”的那段路，而不是全部自研，把工程量最大、最吃经验的部分交给成熟管线，模型与向量库仍可自由选型。

评估一套 RAG 数据预处理方案时，建议重点验证三件事：用你最难的文档（扫描件、OFD 公文、复杂表格）实测解析质量；检查是否内置脱敏与权限打标；确认有评测回路让效果可持续优化。了解 UGLYPEAR RAG 数据工程基座或查看完整实测数据。

常见问题 FAQ

Q1：RAG 是什么意思？

RAG 是 Retrieval-Augmented Generation（检索增强生成）的缩写。它先从知识库中检索与问题相关的内容，再把检索结果连同问题一起交给大模型生成回答，让模型基于企业自己的资料作答。

Q2：为什么大模型需要外挂知识库？

通用大模型不了解企业内部文档，且知识存在截止日期。外挂知识库让模型即时检索最新专属资料，回答有出处、可追溯，显著减少幻觉。

Q3：企业搭建 RAG 知识库分几步？

五步：解析、清洗、脱敏、切片、评测。每一步的质量决定最终回答质量，数据工程做扎实，RAG 才能稳定发挥。

Q4：RAG 知识库效果不好，最常见的原因是什么？

绝大多数问题出在数据质量而非模型：粗暴切块、表格错乱、页眉水印污染、敏感信息未脱敏。