RAG 是什么？企业知识检索、引用与风险

RAG（检索增强生成）是一种先从指定资料中检索相关内容，再让生成式 AI 依据这些资料回答问题的实现方式。它适合企业需要引用内部文档、知识库或业务规则的场景；它本身不能保证答案正确，仍需处理资料质量、权限、引用、评估和人工复核。

RAG 的基本流程是什么？

1. 选择允许使用的文档与数据源，记录版本、所有者及访问权限。
2. 解析、切分、建立可检索索引；保留来源信息。
3. 收到问题后，检索与问题相关且用户有权访问的片段。
4. 把问题与片段交给模型生成回答，并尽量展示引用。
5. 评估回答是否有依据、是否遗漏关键条件、是否泄露不该访问的内容。

微软的 Azure AI Search RAG 说明也强调内容准备、相关检索、权限与延迟。具体平台可以不同，这些约束仍然需要处理。

RAG 和普通聊天机器人有什么区别？

普通模型可以用训练中学到的一般知识回答，但未必知道企业最新资料。RAG 把可控的资料检索加入回答链路，便于更新知识并提供来源。但如果检索到的片段过时、权限设置错误或与问题不相关，模型仍可能给出错误或误导性的答案。

什么时候适合用 RAG？

适合需要查询产品手册、内部政策、项目资料或合同条款，并希望回答能追溯到出处的场景。若任务只是固定规则查询、简单数据库筛选或确定性计算，优先考虑普通搜索、SQL 或业务程序；不必为每个需求都加生成式 AI。

SoftBusiness 的项目经验如何影响设计？

在公开的匿名企业 AI 经营分析基盘经验中，设计链路包含社内文书与业务数据、依据付き検索、分析、报告、审批和审计。由此得到的实践判断是：检索索引不能脱离业务数据的权限和版本管理；重要输出应标明来源并进入人工确认流程。查看该匿名项目的实施范围。这是一项项目经验，不代表所有客户环境已有同样的部署。

上线前怎样验证？

• 准备真实问题集，包括资料中不存在答案的情况。
• 检查召回片段是否正确、引用是否指向原文。
• 使用不同权限的账号测试越权查询。
• 记录正确率之外的拒答、延迟、成本和资料更新延迟。
• 明确哪些答案必须人工审核。

常见问题

RAG 能替代整理企业数据吗？

不能。它依赖可获取、可解释、可授权且可更新的资料；脏数据和权限混乱会直接影响回答。

有引用就一定正确吗？

不一定。还要核对引用段落是否真正支持结论，尤其是金额、日期、政策和权限相关答案。

继续阅读：AI Agent 为什么需要数据基础。