企业官网建设流程全解析

企业大模型需要结合多种方法来获取和利用知识。本文介绍了五种主要方法：RAG（从外部知识中取回回答所需的证据）、GraphRAG（利用实体及关系处理跨文档关联和多跳问题）、PageIndex（在复杂长文档中定位并读取相关章节）、LLM-Wiki（把多份来源整理成可复用、持续维护的主题知识）和Ontology（定义业务概念、关系和约束，使系统对业务语义有共同理解）。文章强调应根据任务需求选择合适的方法，并注意来源、更新与权限等工程问题，以确保知识库的有效性和可靠性。

Agent 要在企业里可靠地回答问题、分析影响或执行流程，不能只依赖模型参数中的通用知识。它还需要找到企业自己的规则、事实和上下文，并且知道这些知识来自哪里、适用于什么范围。

企业知识散落在制度、手册、合同、代码、工单和数据库里。不同任务需要的知识形态也不同：有时要快速找一句规定，有时要沿业务关系追踪影响，有时要在长文档里跨章节取证，有时还要遵循业务概念和规则。

因此，Agent 知识库不是在几种技术中选一个赢家。更实用的做法，是分清它们解决的问题，再按任务组合。

先用五句话理解五种方法

它们不完全处于同一层。RAG 和 GraphRAG 侧重查询时的知识检索与组织；PageIndex 侧重长文档的结构导航和取证；LLM-Wiki 是把原始来源编纂成中间知识层的一种模式；Ontology 定义领域中的概念、关系和约束，可以为数据集成、知识图谱构建和 Agent 推理提供语义基础。

这里的 RAG 用广义含义，指生成时从外部知识取回信息并交给模型使用。向量检索是常见实现之一，但 RAG 也可以使用关键词、数据库查询、图查询或文档树导航。下文说“经典 RAG”时，特指以文本切块和向量召回为核心的常见方案。

1. RAG：从大量资料中找相关证据

经典 RAG 通常先解析文档、切分文本，为每个片段建立向量索引，并保留来源和其他元数据。用户提问时，系统检索语义相近的片段，再把候选证据交给模型作答。实际系统常结合关键词检索、元数据过滤和重排。

它适合回答大量资料中的局部事实问题，例如：

• 某项制度如何规定？
• 产品支持哪些功能？
• 某个错误码代表什么？

RAG 的优势是通用、易于建立基线，适合大规模资料的日常查询。主要风险是：相似片段不一定构成完整证据。例外条款可能在另一段，适用范围可能在前一章，切块也可能把完整条件拆开。向量相似度表示检索相关性，不代表事实相同或证据充分。

2. GraphRAG：利用实体关系补充上下文

GraphRAG 是一类使用图结构增强检索与生成的方法。图中的节点可以表示实体、概念或其他对象，边表示它们之间的关系。微软 GraphRAG 是这一类方法中的一种实现：其索引流程可从文本抽取实体、关系和关键声明，识别图社区并生成社区报告；查询时提供局部搜索、全局搜索等模式。其他 GraphRAG 系统的图构建和查询方式可能不同。

例如，问题“供应商甲停供会影响哪些客户？”可能需要沿着以下关系追踪：

供应商 → 零件 → 产品 → 订单 → 客户

GraphRAG 可用于跨文档关系查询、影响分析和语料主题归纳。它的成本包括实体识别与消歧、关系抽取、来源关联、图查询和持续更新。抽取错误或过时关系会影响下游答案，因此关键关系应保留来源、时间和置信信息，并在必要时经过校验。

GraphRAG 不等于“所有知识都先建一张完整图”。部分系统会将图检索与文本片段、向量或关键词检索结合；是否需要图结构，应由任务中的关系推理需求决定。

3. PageIndex：先导航文档结构，再读取原文

PageIndex 将单份文档整理成带层级、摘要和原文位置的树形索引。查询时，模型根据问题在树中选择相关节点，并调用读取能力获取相应页段或正文。它的核心是结构导航和基于模型的树搜索，不是把整份文档的每个片段都做向量相似度检索。

这适合年报、合同、操作手册等较长且有可利用结构的文档，尤其是需要跨章节查找条件、例外或相互关联规定的问题。对“为什么某项配置只对一部分用户生效”这样的提问，系统可能先读配置章节，再继续查权限、版本限制和故障排查章节。

PageIndex 的结果依赖树索引质量和模型的导航判断；多轮读取也会增加延迟与模型调用成本。它主要解决文档内的导航与取证。若要从海量文档中先发现哪几份文件相关，通常还需要外层的搜索、目录筛选或文档级路由，再把候选文档交给 PageIndex。

4. LLM-Wiki：编纂可复用的主题知识

LLM-Wiki 描述的是一种知识编纂模式：把原始资料保留为来源，再由 LLM 协助生成和维护按主题组织、相互链接的知识页。它不是一个唯一固定的软件，也不限定必须采用某种存储或检索实现。

Agent 可以先查看索引页，再读相关主题页，并沿链接扩展到相关概念。根据知识库规模和实现方式，查询时也可以使用文件搜索、全文检索或向量检索；“使用 Wiki”不意味着完全不需要搜索。

LLM-Wiki 适合沉淀相对稳定、反复使用的知识，例如企业术语、指标口径、核心业务规则、常用 SOP 和经确认的架构说明。它减少了重复阅读和重复整理，但增加了维护中间层的责任：来源变更后，哪些页面需要更新？冲突如何呈现？谁审核高风险规则？如何识别过期内容和失效链接？

因此，优先编纂高复用且有明确责任人的知识更稳妥。海量、快速变化、尚未验证的工单和会议记录，可以先保留在原始资料检索层。

OKF 与 LLM-Wiki 的关系

Open Knowledge Format（OKF）是 Google Cloud 发布的开放知识格式规范，目标是以可互操作的文件组织和元数据表达知识。它可以用来承载或交换某些 Wiki 式知识库，但 OKF 是格式规范，不等于 LLM-Wiki 的全部方法，也不会自动保证内容准确、完整或持续更新。采用时应以规范仓库中的当前版本为准。

5. Ontology：定义业务语义与约束

Ontology 是对一个领域中概念及其语义关系的明确描述。常见表达包括类、属性、关系、个体，以及适用时的逻辑公理或约束。它可帮助多个系统对“客户”“订单”“停供”“风险”等词汇形成一致定义，并为数据映射、知识图谱和规则推理提供语义依据。

例如，供应链领域的本体可以定义：

• 供应商、零件、产品、订单、客户等概念；
• 供应商“供应”零件，产品“包含”零件，订单“属于”客户等关系；
• “关键供应商”“停供”“受影响订单”的业务定义；
• 某类关系需要记录的时间范围、来源或审批状态。

本体不等同于“数据库表结构加数据”。数据库模式通常定义数据如何存储；本体强调概念的含义、关系语义和可表达的约束。实际系统可以将本体与实例数据、知识图谱或数据库结合使用，但它们是不同组成部分。

本体也不等于知识图谱：本体定义语义模型，知识图谱通常保存具体实体及其事实关系。两者可以配合，例如用本体约束图中关系的类型和含义。企业不一定需要一次性建立覆盖全公司的大本体；可以从边界清晰、定义争议大且对决策重要的业务域开始。

五者如何配合？

可以把它们看成不同职责的知识能力，而非一条必须逐步执行的固定流水线：

Ontology：定义业务概念、关系和约束 ↓ 为数据集成、图构建和规则判断提供语义基础来源知识：原始文档、数据库、代码、工单 ├─ RAG：检索相关片段 ├─ GraphRAG：利用实体关系扩展或归纳 ├─ PageIndex：在候选长文档内导航并读取原文 └─ LLM-Wiki：整理经确认、可复用的主题知识 ↓Agent：按任务选择检索工具，综合证据并给出可追溯结果

举例：用户问“供应商甲停供会影响哪些客户订单，依据是什么？”

1. Ontology 提供“供应商、零件、产品、订单、客户、受影响”等业务概念和关系定义。

2. GraphRAG 或结构化数据查询 沿业务关系找出候选影响链。若系统有经过校验的关系数据库，也不必强行使用 GraphRAG。

3. RAG 查找近期停供通知、库存说明和变更记录，补充时效性证据。

4. PageIndex 在较长的供应合同或手册中定位替代供应、缓冲期和例外条款。

5. LLM-Wiki 提供经确认的风险分类、处置流程和业务背景；若答案涉及实时状态，仍应回到权威数据源核实。

6. Agent 汇总结论，并给出事实来源、时间和适用范围。只有经核实且值得复用的内容，才进入知识维护流程。

简单的制度问答可能只需 RAG；合同条款核对可能主要依赖 PageIndex；供应链影响分析可能需要本体、结构化数据或图检索。并非每个任务都要调用全部组件。

按任务选择

可以从一个具体任务建立基线，再根据失败原因增加能力：漏掉分散条款时加强文档结构阅读；需要多跳关系时引入图或结构化查询；反复整理同一类知识时评估 Wiki；业务概念含混时先统一术语和规则。

最容易被忽视的工程问题：来源、更新与权限

同一份知识可能进入向量索引、图、Wiki 和文档树。原文被修改、撤回或权限变化后，这些派生内容可能过期或越权。因此需要设计统一的来源标识与版本关系，并明确：

• 每条事实、关系和摘要如何回链到原始来源；
• 来源更新、撤回或删除后，如何识别并失效相关索引和知识页；
• 冲突、过期、时间范围和审核状态如何表达；
• 权限如何沿所有检索通道执行，而不是只在原始文档库检查；
• 哪些内容可自动生成，哪些必须经业务人员确认。

知识库不仅要“能找到”，还要能说明从哪里找到、何时有效、谁可以访问，以及证据是否仍然成立。

结语

RAG 找取证片段，GraphRAG 利用关系扩展或归纳，PageIndex 导航单份长文档，LLM-Wiki 编纂可复用主题知识，Ontology 统一业务语义与约束。它们可以组合，也可以单独使用；选择应由任务、知识形态、时效要求和治理能力决定。

企业 Agent 知识系统的目标不是堆叠组件，而是让 Agent 在需要时取得相关、充分、可追溯且符合业务语义的证据，并在来源变化后及时更新。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 为什么要做 RAG

• 搭建一个简单的 ChatPDF

• 检索的基础概念

• 什么是向量表示（Embeddings）

• 向量数据库与向量检索

• 基于向量检索的 RAG

• 搭建 RAG 系统的扩展知识

• 混合检索与 RAG-Fusion 简介

• 向量模型本地部署

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。