知识来源
PDF、文档、网页、表格或现有系统中的记录。
RAG 是一种在模型回答之前,系统先从内部或外部来源检索相关信息的模式。这样,回答基于企业的知识,而不仅仅是模型的通用记忆。
官方来源: Google SEO 新手指南 · Google 结构化数据文档 · OpenAI Agents SDK 文档 · Supabase 迁移文档 · Retrieval-Augmented Generation 论文
语言模型可以写出答案,但它并不会自动知道你公司文档里的内容。RAG 增加了检索环节:系统找到相关段落,将其发送给模型,模型再根据这些上下文作答。
它适用于客户支持、员工问答、文档搜索、培训系统、报价准备、合同分析,以及任何业务知识随时间变化的流程。
需要梳理知识来源、清理文档、将内容切分为有意义的片段、配置检索,并用真实问题测试回答。没有良好切分的长文档,即使用强大的模型也常常得到薄弱的回答。
权限同样重要。并非每个用户都应看到每份文档。企业系统中的 RAG 必须遵守访问控制、隐私,以及客户或团队之间的隔离。
三点。按文档结构切分——按标题和段落,而不是按固定字符数。混合检索:理解意图的语义检索,结合能抓住产品编号、名称和条款的关键词检索。在希伯来语中,关键词检索还必须处理 ו、ב、ל、מ、ש 这样的前缀,否则会漏掉简单的匹配。
权限要在信息到达模型之前过滤,而不是之后。如果用户无权查看的文档进入了模型上下文,对模型的指令并不总能让它不出现在回答中。而且要量化:一组包含正确答案的几十个真实问题,每次改动后运行,检查回答是否基于来源、是否真正回答了问题。
Itay Karkason 分阶段把 RAG 接入现有系统:梳理知识、建立索引、接入界面、测试回答、处理权限并持续监控。目标是基于企业知识给出有用的回答。
PDF、文档、网页、表格或现有系统中的记录。
将信息切分为带有足够上下文、可检索的片段。
隔离用户、客户、文档和敏感数据。
真实问题、缺失的回答、矛盾之处,以及系统应说明自己没有相关信息的情况。
不会。RAG 是建立在现有信息之上的检索和上下文层。数据库仍然负责管理数据。
支持,但检索质量、文档切分和中文回答都应使用真实数据进行测试。
本页是基于 NotebookLM 研究和专业资料编写的简明参考指南。主要来源:
先从审查文档和现有流程开始。
联系