RAG 概念与适用边界
RAG 与企业知识库基础#FDE#第十三阶段#RAG 与企业知识库基础#RAG 概念与适用边界约 737 字 · 2 分钟阅读
追问显示点击任意追问卡片可收起 / 展开
本阶段学习说明
培养方向： 客户现场的软件实现、系统集成与 AI 应用交付。
阶段定位： 能构建从企业资料接入到带依据回答的基础 RAG 流程，并维护数据权限、更新与删除。
适用环境： Python、文本/文档解析、Embedding 接口、向量或混合检索存储；记录模型、索引和依赖版本。
统一场景： 为客户支持人员建设内部知识助手，回答产品手册、操作规程和已批准的政策问题，并提供可回查来源。
题库结构： 100 道题及追问，分十组，附评分和实操建议；提供题目，不包含参考答案。
答题约定： RAG 将检索到的资料作为生成上下文，不能保证答案必然正确或资料必然完整。授权过滤应在检索数据边界落实；回答需说明依据，不足时应有明确的无答案路径。检索优化和系统化评测将在后续阶段展开。
RAG 通常由哪些主要步骤组成？
追问 资料处理、检索、上下文构造和生成分别承担什么职责？
RAG 与直接让模型凭已有知识回答有什么区别？
追问 企业最新制度从哪里进入回答上下文？
RAG 与微调分别适合解决哪类问题？
追问 希望模型记住知识内容与希望它采用某种格式是否相同？
哪些问题适合使用企业知识库？
追问 如果答案来自实时数据库状态，静态文档检索足够吗？
RAG 能否消除模型幻觉？
追问 检索错误、上下文误读和超范围推断会怎样发生？
知识库回答怎样展示可追溯的资料依据？
追问 来源标题、版本、页码和引用片段各有什么作用？
什么时候应回答“资料不足”？
追问 检索为空、来源冲突和问题超范围如何区别？
RAG 中哪些组件可以先用简单方案验证？
追问 何时需要专用向量数据库或独立检索服务？
RAG 的结果质量由哪些环节共同决定？
追问 模型换得更强能否弥补文档过期或检索遗漏？
怎样向客户准确说明 RAG 的能力和限制？
追问 PoC 结果如何避免被误解成所有问题均可自动回答？