企业官网建设流程全解析

目录

1. 大模型原生缺陷：为什么需要 RAG？
2. RAG 核心五步流水线拆解
3. 向量数据库选型对照表（Demo / 生产 / 分布式场景）
4. RAG 怎么评估好坏？不能靠主观感受
5. 企业落地最容易踩的 3 个大坑
6. RAG 进阶玩法：Query 改写、GraphRAG、Agentic RAG
7. 一句话总结

1. 大模型原生缺陷：为什么需要 RAG？

原生大模型相当于闭卷考试，存在 3 个硬伤：

• 知识过时：训练结束之后的新内容，模型不知道
• 幻觉：不知道的内容，也会编造答案硬输出
• 私有知识盲区：无法直接读取企业内部文档、业务资料

✅ RAG 思路：把 AI 变成开卷考试，先检索参考资料，再基于资料回答，只能减少幻觉，不能归零。输出答案需要附带引用溯源，没有资料就如实说不知道。

2. RAG 核心五步流水线拆解

完整链路：切碎文档 → 向量化 → 混合召回 → Rerank 精排 → 带引用回答

1. STEP1 切碎文档将长文档切分 Chunk，设置重叠区；不能粗暴拦腰斩断，防止上下文断裂丢失信息。注意模型输入存在最大上下文长度，超长文本会被静默截断。
2. STEP2 向量化把文本转为向量嵌入，语义相近的文本，在向量空间距离更近。
3. STEP3 混合召回向量检索 + BM25 关键词检索，多路召回，捞出 Top-K 候选片段。兼顾语义相似度和关键词精准匹配。
4. STEP4 Rerank 精排【提升效果的关键一步】多路召回拿到 20 条候选后，通过重排模型筛选出 3~5 条最相关片段，是 RAG 效果提升的核心手段。
5. STEP5 带引用回答交给大模型，指令限定：仅根据以下资料回答，输出附带原文引用。

⚠️选型三提醒：

① Doris/StarRocks 向量能力迭代很快，落地前务必查阅最新官方文档；

② 团队熟悉度优先于性能差距，如果已有 PG，pgvector 往往总成本更低；

③ 删除文档时向量需要同步清理；OLAP 适合批量导入，不适合高频实时更新。

4. RAG 怎么评估好坏？

不要凭肉眼主观感觉效果，必须先建测试题库，量化打分

• 检索侧指标：Hit Rate（Top-K 是否命中正确文档）
• 生成侧指标：答案忠实于参考资料的忠实度
• 常用评估框架：RAGAS

❌没有 assessment 的 RAG 调优 = 玄学迭代

5. 企业落地最容易踩的坑

重点三个：权限、引用、向量同步清理

1. 权限过滤：检索时按用户权限过滤文档，防止跨部门数据泄露（比如 A 用户查到 B 部门薪酬）
2. 引用溯源：回答标注来源段落，方便人工核查、定位问题
3. 僵尸知识：文档删除 / 更新时，旧向量必须同步清理，知识库会残留过时无效信息

6. RAG 进阶玩法

• Query 改写：用户口语化提问，先改写、做 HyDE，再送入检索，优化召回质量
• GraphRAG：结合知识图谱，擅长多跳推理类复杂问题
• Agentic RAG：让 AI 自主决定查询策略、检索次数，自主规划检索动作

7. 一句话记住 RAG

让 AI先翻书、再答题：切碎 → 向量化 → 召回 → 精排 → 带引用生成 落地三件套别忘了：评估打分、权限过滤、向量同步清理