企业官网建设流程全解析

摘要

前几篇文章中，我们已经完成了企业级 AI 应用的整体架构设计、统一大模型调用服务、流式输出接口，以及多轮对话中的上下文管理与 Token 控制。

从本文开始，专栏进入一个非常重要的模块：企业知识库 RAG 系统。

RAG，全称 Retrieval-Augmented Generation，通常翻译为“检索增强生成”。它的核心思想是：在大模型回答问题之前，先从企业自己的知识库中检索相关内容，再把检索结果作为上下文交给大模型生成答案。

对于企业级 AI 应用来说，RAG 是非常关键的一层。因为企业真正关心的往往不是模型通用知识，而是：

• 公司制度怎么规定；
• 产品文档里怎么写；
• 合同模板有哪些条款；
• 售后知识库如何处理某类问题；
• 技术手册里某个参数是什么意思；
• 历史项目资料里有没有类似案例；
• 内部流程、规范、FAQ、报告如何查询和总结。

这些内容大多不在大模型训练数据里，即使模型知道一部分，也可能已经过时或无法验证。因此，企业级 AI 应用必须让模型“基于企业自己的资料回答问题”。

本文会从 0 构建一个企业知识库 RAG 系统的基础版本，重点讲清楚：

1. RAG 系统的整体架构；
2. 文档上传后的处理链路；
3. 文档解析、文本切片、Embedding、向量入库；
4. 用户提问后的检索链路；
5. 如何把检索结果拼接进 Prompt；
6. 如何返