FDE 企业 AI 落地与交付 · 知识检索与问答问题 · 2026-09-01

RAG的难题,已经从“查到资料”转向“组织可用上下文”

RAG从“查到资料”转向“组织可用上下文”,企业落地大模型面临生产新挑战,本文剖析关键转变。 核心内容:

  1. RAG核心变化:从资料召回转向任务驱动的上下文组织
  2. 生产环境挑战:需处理复杂业务任务的多步骤要求
  3. RAG与其他技术的边界与职责区分

过去一年,RAG成为企业落地大模型时最常见的技术路径之一。

原因并不复杂。企业通常不愿意为每一类内部知识重新训练模型,却希望模型能够理解制度文档、产品资料、业务规则、数据指标和操作流程。于是,文档解析、切分、向量化、召回、重排,构成了许多团队对RAG的第一印象。

但当系统从演示走进生产,问题很快会发生变化。

用户不再只问“这份制度写了什么”,而会提出更接近业务任务的问题:

为什么华东区域本月毛利率下降?请列出主要原因,并创建跟进任务。

这不是一道单纯的文档问答题。系统可能需要同时完成几件事:

这正是企业RAG面临的核心变化:

RAG的重点不再只是召回相关文本,而是围绕具体任务,获取、筛选、组织并注入可信的上下文。

需要同时明确边界。RAG并不等于Agent、工具调用、工作流或权限治理。它解决的是外部信息如何进入模型当前的工作上下文;Agent负责在不确定任务中规划与选择,工作流负责确定性步骤和风险控制,工具负责访问外部系统,治理机制负责权限、审计和人工介入。

它们共同构成企业智能应用,但不应被混为一个概念。

一、用户要完成任务,而不只是获得一段文本

传统RAG最适合的场景,是边界稳定的知识查询。

例如:

在这些问题中,找到正确文档片段,再生成忠实于原文的解释,通常已经能够满足需求。

但企业中的大量问题并非如此。

仍以“华东区域毛利率下降”为例,系统若只检索到一篇促销政策文件,最多只能回答“近期存在促销活动”。它无法判断促销是否确实影响了毛利率,更无法确认影响来自价格、成本、产品结构、客户结构,还是数据口径变化。

因为一个可用于业务判断的答案,往往不仅依赖文本,还依赖以下信息:

| 信息类型 | 在经营分析中的作用 |

|---|---|

| 文档资料 | 价格政策、促销规则、经营说明、历史复盘 |

| 结构化数据 | 订单、成本、收入、客户、产品、区域数据 |

| 业务元数据 | 指标定义、字段含义、表之间的关联关系 |

| 时间与版本信息 | 政策生效时间、产品版本、数据更新时间 |

| 权限与约束 | 哪些数据可见、哪些动作可执行、哪些结论需复核 |

因此,知识库不是答案库。

它更准确的角色,是模型完成任务时可调用的外部证据集合。问题不在于“是否找到一些相关内容”,而在于这些内容是否足以支持当前判断,是否包含正确的口径、时间范围、权限边界和业务约束。

对于进入生产流程的系统,RAG需要回答的第一个问题不再是“相关吗”,而是:

这些上下文,是否足以支撑模型完成当前任务?

二、RAG的核心变化:从文本召回转向上下文组织

企业信息通常不是以单一文档形态存在的。

制度规则可能藏在PDF、网页和流程说明中;指标定义可能位于数据字典、语义层或报表说明中;业务事实存在于数据库;复杂关系分散在工单、日志、产品版本和组织信息里。

如果把所有问题都交给向量检索,系统会遇到明显边界。

向量检索擅长处理语义相近的问题,例如“如何申请某类费用”和“报销该类费用需要哪些材料”。但它未必擅长处理精确编号、产品型号、字段名称、时间过滤条件和数值聚合。

例如,用户问:

找出近30天华东地区毛利率低于预算5个百分点的产品线。

这不是普通文档问答。系统需要理解“近30天”“华东地区”“毛利率”“预算”“低于5个百分点”等明确约束,并在正确的数据模型与指标口径下完成筛选和计算。

因此,生产级RAG的关键能力,不是选择一种“最强检索方式”,而是根据任务类型组织不同来源的信息。

| 问题类型 | 更适合的上下文获取方式 | 主要风险 |

|---|---|---|

| 制度解释、产品说明 | 语义检索、重排、原文引用 | 片段缺少前后文,版本过期 |

| 编号、型号、专有名词查询 | 关键词检索、全文检索、字段过滤 | 别名、拼写差异、精确匹配遗漏 |

| 指标分析、统计筛选 | 元数据检索、语义层、结构化查询 | 口径错误、关联错误、权限越界 |

| 跨资料关联分析 | 实体索引、关联路径、迭代检索 | 关联链条不完整,证据不足 |

| 流程处理与业务操作 | 上下文检索结合业务工具 | 参数错误、错误动作进入流程 |

这里的重点不是将所有能力塞入RAG,而是让RAG为不同任务提供合适的上下文。

一套成熟的系统通常会先判断问题属于解释、精确查询、数据分析还是业务操作,再决定需要检索文档、查询元数据、访问数据库,还是进入受控流程。这个过程可以称为上下文与任务编排,它比“召回若干文本块”更接近生产场景的真实难点。

三、检索策略必须匹配问题类型

单一向量检索并没有失效,它仍然是处理大量非结构化文本的重要手段。问题在于,企业任务往往同时包含语义理解、精确约束和结构化计算。

以经营分析助手为例,用户提出“为什么华东区域毛利率下降”,系统至少应先区分三个层面:

  1. 事实层:毛利率是否真的下降,下降发生在哪个时间段、哪些产品和客户中。
  2. 定义层:毛利率采用什么计算口径,预算数据来自哪里,是否存在数据更新延迟。
  3. 解释层:是否存在价格变化、促销活动、成本波动、产品结构变化或异常事件。

不同层面需要不同的信息获取机制:

如果缺少事实层,模型容易把相关材料误写成原因;如果缺少定义层,系统可能基于错…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/RAG/2026090102169.html