指南目录/ 知识库与 RAG
企业文档做 RAG 知识库的落地流程
很多团队以为做知识库就是把 PDF 扔进系统里就结束了，结果上线后不是答非所问，就是召回不到关键条款。真正决定效果的，往往是前面的文档整理和后面的检索评测。
先看结论
从文档清洗、切片、向量化到检索评测，梳理知识库从 0 到 1 的关键步骤。
适合谁看
适合准备做企业知识库、客服机器人、FAQ 助手和 AI 质检的团队。
这篇会回答
• 先把原始资料整理成可检索内容
• 切片策略决定召回质量
• 上线前必须做问题集评测
Reading Path
这篇在专题里的位置
从文档入库、混合检索、Rerank、Prompt 注入防护到效果评测、ROI 和客服质检，串成一条完整落地路径。
第 1 节
先把原始资料整理成可检索内容
如果原始文档里混着扫描件、旧版制度、重复附件和零散截图，直接入库只会把噪声一并放大。
更稳的流程是先做 OCR、去重、版本标记和主题归类，再进入切片和索引阶段，这一步比盲目换模型更重要。
第 2 节
切片策略决定召回质量
切得太大，检索命中后仍然找不到真正答案；切得太碎，又会让上下文断裂，模型难以组合出完整回应。
因此要围绕文档结构来切，比如按章节、条款、标题块或问答单元分段，而不是机械按固定字数切开。
第 3 节
上线前必须做问题集评测
知识库效果不能只靠主观感觉。最少要准备一组真实业务问题，测试是否能召回正确片段、回答是否引用了可信来源。
只有把召回率、命中片段和回答边界一起看，你才能判断问题出在切片、检索、提示词还是模型本身。
FAQ
常见问题
知识库一定要用向量数据库吗？
不一定。数据量不大时，关键词检索加结构化索引也能先跑起来；但一旦文档量上来或问题表达差异大，向量检索会更稳。
为什么导入很多文档后回答反而更差？
通常是因为噪声文档、重复版本和错误切片把召回质量拉低了。知识库不是文档越多越好，而是有效文档越干净越好。
Continue Reading
继续沿着这条主线看
这部分不再重新给你一堆大卡片，而是直接把下一步阅读顺序列出来，方便继续往下走。