企业官网建设流程全解析

公司 Wiki、产品手册、合同模板——大模型 训练时没见过你们内部文件，直接问会瞎编。RAG（Retrieval-Augmented Generation，检索增强生成）的做法是：先在你自己的文档里搜相关段落，再让模型只根据这些段落回答。这是 2024–2025 企业 AI 落地 最主流 的路径，比微调便宜、比纯聊天靠谱。

一、一句话搞懂

RAG = 先检索内部知识片段，再生成答案；核心是解决「模型不知道、又不敢乱说」。

可以记成 开卷考试：向量检索 = 翻书找页码；LLM = 根据找到的内容写答案。答不上来时应说「文档里没有」，而不是编造——这要靠 引用片段 + 评测 来保证。

二、深度拆解：到底差在哪？

1. 链路五步（背下来面试也能用）

1. Ingest：PDF/Markdown/Notion 导出 → 清洗（去页眉页脚、表格拆行）

2. Chunk：切成 300–800 token 块，带 overlap（50–100 token）避免断句

3. Embed：每块变成向量（OpenAI text-embedding-3-small、国产 BGE 等）

4. Retrieve：用户问题也 embed，在向量库取 Top-K（通常 3–8 段）

5. Generate：Prompt 里塞「仅根据以下 context 回答，无则说不知道」+ 引用

2. 为什么不用「把整个 PDF 塞进 ChatGPT」？

上下文窗口仍有限，100 页手册塞不满且贵

检索更准：整本塞进去，模型反而抓不住重点

可更新：新文档只 re-embed 新块，不必重训模型

3. 落地平台怎么选

低代码

Dify、FastGPT | 2 周 MVP、客服 Bot

框架自建

LangChain/LlamaIndex | 要接内网、复杂权限

向量 SaaS

Pinecone、Zilliz Cloud | 免运维、弹性扩

开源自建

Milvus、Qdrant | 数据不出内网

4. 效果好不好，80% 在「切片 + 评测」

切片太大 → 检索噪声多；太小 → 丢上下文

必做 Golden Set：50 条真实问题 + 标准答案，每周跑召回率/准确率

Hybrid 检索（关键词 + 向量）对专有名词（SKU、内部代号）Often 更好

三、适合谁 / 不适合谁

适合： 有内部文档沉淀的团队；客服/HR/法务 重复问答多；产品要「基于手册的智能助手」；能接受 先 MVP 再迭代切片策略 的人。

不适合： 文档少且乱、从不更新；期望 100% 零幻觉（需人工审核流程）；没有一条真实用户问题清单就开始买 GPU。

典型决策：

1. 验证期（<500 页文档） → Dify 知识库 + OpenAI/国产模型，1 人 1 周

2. 生产期（权限/审计） → Milvus 内网 + 自研网关 + 引用溯源

3. 客服场景 → 低代码 Bot（Coze/Dify）+ 转人工兜底

4. 研发文档 → 切片按## 标题切，代码块单独 chunk

四、核心对比（收藏这张）

切片

按标题/段落，overlap 5–10% | PDF 乱码未清洗

Embedding

中英混排选多语模型 | 只 embed 问题不 embed 标题

Top-K

3–8，太大噪声 | K=20 塞满 context

Prompt

强制引用 + 拒答 | 未测「文档外问题」

评测

50+ 条 golden | 只看 demo 不问边界

五、和别的概念 / 工具怎么分？

RAG vs 微调：微调改「模型习惯」；RAG 改「模型能看到的资料」，文档常更新选 RAG

RAG vs 长上下文：100 页以内可试 Gemini 1M；企业库 成千上万页 仍要 RAG

RAG vs Agent：RAG 是 读；Agent 是 读+做（调 API、改工单），很多 Agent 里仍嵌 RAG

六、真实工作流（可以直接抄）

7 天搭一个「能演示」的内部问答（Dify 示例）

Day 1–2：导出 3 份核心 PDF（产品 FAQ、入职手册、销售话术），去水印页眉

Day 3：Dify 创建知识库，切片 500 token / overlap 50，选 embedding 模型

Day 4：写 System Prompt：「仅根据 knowledge 回答；无依据说不知道；回答末尾列引用标题」

Day 5：收集同事 20 个真实问题，标记「答对/答错/该拒答」

Day 6–7：调 Top-K、改切片（FAQ 一行一问）；错例加进 golden set

验收指标：Recall@5 > 80%（标准答案段落是否进 Top-5）；拒答率对「文档外问题」> 90%

七、常见误区与踩坑

❌ 上了 RAG 就不会幻觉：检索错段仍会瞎编，要 引用 + 人工抽检

❌ 向量库选一个就行：还要考虑 权限（销售不能看 HR 文档）→ 多库/元数据过滤

❌ Chunk 越小越好：太小丢语义，表格被拦腰截断

❌ 只买 Pinecone 不做清洗：Garbage in, garbage out

⚠️ 版权：爬来的网页进库前确认授权

八、小编说

RAG 是 「让 AI 读你们家说明书」 的标准答案，不是玄学。先 50 条真实问题、一个小知识库、一张评测表，比买大模型套餐更重要。你们公司最想先 RAG 哪类文档？

「职场岗位说明书」

AI 技能说明书 · 工具怎么选 · 建议收藏

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

👇👇扫码免费领取全部内容👇👇

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2026行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

7. 资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇