FDE 企业 AI 落地与交付 · 企业知识治理 · 2026-06-30

「SAG+LLM WIKI」:我将称之为最强知识库!

SAG+LLM WIKI:企业知识库告别“漂亮网盘”,真正构建组织记忆。

核心内容:

  1. 传统知识库的痛点:资料孤立,缺乏关系与记忆
  2. SAG与LLM WIKI的分工:深度检索与知识沉淀
  3. 构建有效知识库的三层关键:找事实、连关系、留理解

我最近越来越觉得,很多公司建知识库,一不小心就建成了一座特别漂亮的网盘。

界面很 AI,入口很现代,搜索框也很聪明。可一到真实业务问题,气氛就开始变得尴尬:资料能找回来,关系接不上;答案能生成出来,知识留不下来。

你问“这个指标为什么下降”,系统找回来三段文字;你问“这张表的字段来自哪里”,系统找回来四段说明;你问“这个异常和哪个供应商有关”,系统又找回来一堆看起来相关的会议纪要。每一段都像有用,但你盯着屏幕看一会儿,会发现一个很麻烦的事实:它们只是并排躺在那里。

真正要命的东西没有回来。

这东西叫组织记忆。

所以这篇文章的判断很直接,边界也很清楚:

如果你做的是企业知识库,尤其是数据产品、指标口径、字段血缘、异常复盘、会议记忆这类场景,我会优先把票投给 SAG + LLM Wiki。

SAG 负责把证据找深,LLM Wiki 负责把知识养久。一个像侦察兵,一个像修史官;侦察兵把前线的线索带回来,修史官把线索写进可复用的档案。

接下来,我们顺着企业知识库最真实的麻烦往下拆:为什么 RAG 只解决了第一步,GraphRAG 为什么会变重,SAG 和 LLM Wiki 又为什么刚好能接上后半场。

企业知识库要走到这一步,才算真的过了新手村。

为什么建知识库

很多团队以为,知识库缺的是文档。真正的缺口不在文档数量:公司网盘里常年堆着 PRD、会议纪要、日报、SQL、表结构、指标口径、故障复盘,数量多到能把新人压成薄片。

真正缺的是组织记忆。

比如你问一个老同事:“这个指标为什么不能直接 sum?”

老同事通常不会打开向量库。他会说:“这事要从去年那次口径调整讲起。你看的那张表是汇总层,粒度已经变了;真正的上游在另一个任务里,供应链那边还补过一次口径。”

你看,这句话里不止有答案:事实是这张表已经到了汇总层;路径要从报表追到任务,再追到上游表;历史是去年做过一次口径调整;最后还有判断,这个指标不能直接 sum。

拆到这里,知识库的问题才真正露出来:第一层是找事实,第二层是连关系,第三层是维护可信度。

RAG 主要解决“资料在哪”;GraphRAG 和 SAG 解决“关系怎么走”;LLM Wiki 解决“理解怎么留下”。

所以,一个好的知识库,应该尽量接近那个老同事:它知道资料在哪,也知道资料之间怎么互相牵连;它保留原始证据,也沉淀被反复验证过的理解。

我自己做数据产品时,最怕的场景通常长这样:文档数量不少,一个口径却在三个地方各写了一版;一个字段血缘要从报表追到任务、再追到上游表,还要翻会议纪要确认当时为什么这么改。

有一次排一个预测类指标,我从看板钻到指标口径,又去翻 SQL 和调度任务。最难受的地方在于:资料其实找得到,但每一份资料都只说了自己那一段;指标说明写的是业务口径,SQL 写的是字段加工,会议纪要写的是当时为什么临时调整。三份材料单独看都没错,合起来才知道真正的问题出在哪。

普通检索能把材料找回来,但真正耗人的,是把这些材料重新拼成一条可信链路。

所以,知识库建设的第一性问题应该这样问:

怎么让一个组织的经验,可以被找到、被连接、被更新、被质疑。

RAG 解决了第一步。它让资料开始能被找回。但很快,第二步和第三步就会找上门。

RAG 建立了旧秩序

RAG 是知识库建设史上很重要的一次开门。

它的逻辑很直接:

一条典型 RAG 链路大概是这样:原始资料先被切成 chunk,再转成向量;用户提问以后,系统找回相似片段,最后交给大模型组织成回答。

RAG 的核心动作是相似召回:先找到相关片段,再交给大模型回答。

这里面最关键的动作是“相似”。用户的问题会被转成 embedding,文档片段也会被转成 embedding;系统在向量空间里找距离最近的片段,把它们塞进上下文,让大模型基于这些材料回答。

对大量文档问答来说,这已经够好。

比如用户问:“报销流程需要哪些材料?”相关 chunk 里很可能直接写着“发票、审批单、付款凭证”。RAG 找回来,大模型整理一下,回答就能用。

所以 RAG 的功劳要认。它把大模型从“凭记忆猜”拉回到“看材料回答”,没有这一步,企业知识库基本只能停留在玩具阶段。

裂缝也藏在这里。

相似片段擅长回答“哪里写过这个问题”,处理“这几件事之间怎么连起来”就不够稳。比如你问:“华东门店预测达成率下降,和哪个供应商异常有关?”

普通 RAG 可能会把三类材料一起找回来:一份预测达成率指标说明,一份华东门店销售日报,再加一份供应商延迟交付会议纪要。三段都相关,但只是并排躺在那里。真正要回答这个问题,需要穿过一条链:

供应商 A 延迟交付,影响 SKU X;SKU X 覆盖华东门店,门店履约受影响;实际达成低于预测,最后才表现为指标下降。

业务问题通常不是一个片段,而是一条穿过实体、事件和指标的链路。

这条链路靠“像不像”很难稳定走完。RAG 找到了碎片,业务要的是链路。

于是 GraphRAG 登场。

GraphRAG 的野心和代价

GraphRAG 的思路很自然:既然知识之间有关系,那就把关系建出来。

人、组织、商品、指标、系统、任务、文档,这些都可以成为节点;属于、影响、依赖、计算自、导致、引用,这些都可以成为边。查询时,系统沿着图走。你问“指标为什么下降”,它可以从指标节点出发,找到相关任务、数据表、异常事件、业务对象,再回到原始证据。

这条路线很有吸引力。

普通 RAG 像在仓库里找箱子,GraphRAG 开始给箱子之间拉线。线拉得好,知识库就不再只是资料检索工具,而会变成一张业务地图。

代价也很清楚。

图谱需要抽实体、抽关系、处理别名、做实体归一,还要定义哪些关系合法。供应商 A、A 供应商、供应商集团 A,到底是否指向同一个对象?预测达成率、预测命中率、预测准确率,三者是否指向同一个指标?“影响”“导致”“关联”“归因”,这些关系能不能混用?

这就是本体论和图谱治理的活。

GraphRAG 的强度来自全局关系,成本也来自全局关系的持续治理。

如果治理得好,GraphRAG 会很强;如果治理得差,它会变成一张漂亮但不敢信的图。企业系统又最会制造麻烦:今天一个口径改了,明天一张表下线,后天一个系统迁移。图谱如果跟不上,图里的边就会慢慢变成旧朝档案,格式还在,权力没了。

所以 GraphRAG 的问题很尖锐:

为了让知识库具备关系检索能力,我们一定要先维护一张重型全局图吗?

SAG 就是在这个问题上出手的。

SAG 不修大城,它先追线索

SAG 的名字听起来很论文,叫 SQL-Retrieval Augmented Generation。它来自 2026 年 6 月 14 日提交的 arXiv 论文《SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges》。

这篇论文给出的是一条深召回路线:用 event/entity 和 SQL join,在查询时动态构造局部关系结构,减少对全局静态图的预构建依赖。

把它拆成人话:SAG 不急着建一张完整大图。它先把每个文本片段整理成“事件 + 实体”,再用 SQL 在查询时动态把关系链拼出来。

普通 RAG 看到 chunk。SAG 会继续问一句:这个 chunk 里发生了什么事?涉及哪些实体?

比如一段材料写着:“6 月 18 日,供应商 A 延迟交付 SKU X,影响华东门店补货,预测达成率下降。”

SAG 会把它整理成:

一边是 event:供应商 A 延迟交付 SKU X,影响华东门店补货,并导致预测达成率下降。另一边是 entities:6 月 18 日、供应商 A、SKU X、华东门店、补货、预测达成率、延迟交付。

SAG 把文本拆成事件和实体,再用 SQL 在查询时动态追线索。

然后放进几张关系表:event 表、entity 表、event_entity 关联表。

— 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/zhishiguanli/2026063026970.html