RAG 专题解决「让模型基于可更新、可溯源的企业知识回答」的问题。

链路总览

解析 → 清洗 → Chunk → Embedding → 索引 → 查询改写 → 召回 → 重排 → 生成 → 引用。任一环节弱则整体「答非所问」。

子专题

文档处理定上限；向量库定规模与延迟；优化定召回率；GraphRAG 补关系；更新保时效。与 LLM 评测、权限设计联动。

实践顺序

rag-basis → document-processing → vector-store → optimization → knowledge-update → graphrag。

误区

只买向量库不做 Chunk 评测；无权限过滤；忽视 embedding 模型版本锁定。

延伸思考

企业 RAG 项目常见里程碑：M1 单库 FAQ、M2 混合检索+重排、M3 权限与更新、M4 评测闭环、M5 Graph/Agent 扩展。每阶段定义可量化指标，如 Recall@5、人工评分>=4 的比例。文档处理与向量库选型往往被低估工期——扫描件 PDF、表格、多语言混合是常态。专题学习后应能独立设计索引 pipeline（cron + 消息队列 + dead letter），而不只是调用向量 SDK。

实践小结

练习：列出你知识库文档类型与推荐 Chunk 策略表。画索引更新流程图。选一篇子文深入并输出「我能改进的一个检索指标」。

工程检查清单

检查清单：文档/向量/优化/更新/Graph 子专题路径是否清晰；是否定义 RAG 里程碑指标；权限与评测是否纳入计划。RAG 专题强调链路而非单点工具。

读者 takeaway

读者 takeaway：RAG 是系统工程，成功取决于文档、索引、检索、生成、更新、评测全链路。专题学习后应能主导一次企业知识库 POC 的技术方案评审。

学习建议