背景与问题
企业知识库问答通常从一个很轻的原型开始：上传文档、切分文本、建立向量索引，然后把检索结果交给大模型生成答案。这个路径能很快展示效果，但进入真实业务后，问题会变得复杂。
真正影响落地质量的不是单次问答是否“看起来聪明”，而是系统能否稳定地回答正确的人、正确的问题，并在权限、审计、更新和运营上形成闭环。
核心架构
一个可生产化的 RAG 系统至少需要包含四层能力：
- 数据接入层：连接文档库、知识库、工单系统、CRM 或内部网盘。
- 知识治理层：处理文档清洗、切分、标签、版本和权限映射。
- 检索增强层：组合关键词检索、向量检索、重排和上下文压缩。
- 生成与评估层：控制回答风格、引用来源、置信度和人工反馈。
type KnowledgeChunk = {
id: string;
sourceId: string;
content: string;
tags: string[];
permissions: string[];
updatedAt: string;
};权限不是附加功能
在企业场景里，权限需要进入检索链路本身，而不是等答案生成后再过滤。否则模型可能已经在上下文中看到了用户无权访问的信息。
更稳妥的做法是把用户身份、组织、角色和数据范围转换为检索约束，让系统只召回当前用户可见的片段。
RAG 的安全边界应该从数据召回开始，而不是从最终回答开始。
落地建议
第一阶段不要追求一个覆盖所有业务线的大知识库。更好的路径是选择一个明确场景，例如售前方案问答、客服知识助手或内部制度查询，先把数据质量、权限和反馈机制跑通。
当一个场景稳定后，再将数据治理规范、评估集和组件能力复用到更多业务线。这样系统会自然演进为企业级知识基础设施，而不是停留在一次性的演示项目。