RAG的难题，已经从“查到资料”转向“组织可用上下文”

过去一年，检索增强生成（RAG）技术已成为企业落地大模型时最常见的技术路径之一。这一选择的逻辑很简单：企业不愿意为每类内部知识单独训练模型，却希望模型能够理解制度文档、产品资料、业务规则、数据指标和操作流程。于是，文档解析、切分、向量化、召回、重排，构成了许多技术团队对RAG的第一印象。然而，当系统从演示环境走进真实的生产环境，挑战的性质正在悄然发生变化。

一、从文档查询到任务驱动：企业RAG的本质转变

用户的问题已不再停留在“这份制度写了什么”这样的文档问答层面，而是转向更加贴近业务任务的需求，例如：“为什么华东区域本月毛利率下降？请列出主要原因，并创建跟进任务。”这类问题远非单纯的文档检索可以回答。系统可能需要同时完成多项工作：确认毛利率的指标定义与计算口径、查询经营数据库并比较多维度数据、检索价格政策与促销规则、判断信息之间的因果关系、在权限范围内生成结论并决定后续操作。这些需求的涌现，标志着RAG的核心难题已从“找到相关资料”转变为“围绕具体业务任务组织可用可信上下文”。

二、生产级RAG需要多层次上下文

传统RAG最适合的场景是边界稳定的知识查询——某项制度的适用范围、某个产品功能的配置方法、某类故障的标准处理步骤。在这些场景中，找到正确的文档片段并生成忠实于原文的解释，通常已能满足需求。但企业中的大量问题并非如此单纯。以经营分析为例，当被问及“华东区域毛利率下降”的原因时，如果系统仅检索到一篇促销政策文件，顶多只能回答“近期存在促销活动”。它无法判断促销是否真的影响了毛利率，更无法确认影响究竟来自价格变化、成本波动、产品结构还是客户结构的变化。

三、检索策略必须匹配问题类型

一个可用于业务判断的答案，往往依赖多种类型的信息协同支撑：文档资料提供价格政策、促销规则和历史复盘；结构化数据提供订单、成本、收入和客户维度信息；业务元数据定义指标口径和字段关联关系；时间与版本信息确保政策和数据的时效性；权限与约束机制保障数据安全与合规要求。这意味着，知识库不应被简单视为“答案库”，而应被定位为模型完成任务时可调用的外部证据集合。关键问题不再是“是否找到相关内容”，而是这些内容是否足以支持当前业务判断，是否包含正确的口径、时间范围、权限边界和业务约束。

四、RAG、Agent与工作流的职责边界

向量检索并没有失效，它仍然是处理大量非结构化文本的重要手段。但企业任务往往同时包含语义理解、精确约束和结构化计算。生产级RAG的关键能力不是选择某一种“最强检索方式”，而是根据任务类型组织不同来源的信息。对于制度解释类问题，语义检索和原文引用更为适合；对于编号、型号等精确查询，关键词检索和字段过滤不可或缺；对于指标分析和统计筛选，则需要元数据检索与结构化查询的协同。系统需要先判断问题属于解释类、精确查询、数据分析还是业务操作，再决定需要检索文档、查询元数据、访问数据库还是进入受控流程。这个过程可以称为“上下文与任务编排”，它比简单的“召回若干文本块”更接近生产场景的真实难点。

如有侵权，请联系删除。