企业级 RAG 开发

企业级 RAG:答案来自您自己的知识,附带来源

我们构建检索增强生成(RAG)系统,让人用自然语言提问,得到以您的文档和数据为依据的答案,带引用、权限控制和可测量的准确率。

每个答案都链接到它的来源。人们只能看到本来就有权看的内容。

通常哪里会出错

大多数组织其实早就有答案,就在 SOP、政策 PDF、产品手册、工单和数据库里。问题在于找到正确的那一段、确信它是最新的,以及知道自己是否有权看它。

  • 搜索找到的是文件,不是答案

    关键词搜索返回四十份文档。员工还得逐份翻找那一条条款,或者干脆去问同事。

  • 会编造的通用 AI 工具

    公开的聊天助手不了解您的政策,会信心满满地给出看似合理却错误的答案,还没有来源。

  • 知识散落在各个系统

    一个问题的答案可能横跨一个 SharePoint 文件夹、一个 Google Drive、一段工单历史和一张数据库表。

  • 不容破坏的访问规则

    人力、财务和客户数据各有各的受众。一个无视权限的知识助手,就是一桩等着发生的数据泄露。

企业知识与 RAG在哪里最能派上用场

  • 内部知识助手

    员工在一个地方询问事情怎么办(流程、模板、联系人、过往决定),并附上来源链接。

  • 政策与合规检索

    从人力、财务、质量或监管政策中给出精确答案,引用相关条款及其版本。

  • 产品支持助手

    帮助支持团队和客户在手册、版本说明和已解决的工单中找到答案。

  • SOP Copilot

    一步步引导员工执行标准作业程序,用他们最熟悉的语言。

  • 文档问答

    跨合同、报告或招标文件提问,得到带页级引用的答案。

我们实际构建的东西

  • 内容审计与摄取

    面向 PDF、Office 文件、wiki 和数据库的连接器和解析器,带去重、版本管理和元数据。

  • 切分与索引策略

    理解文档结构的切分、向量嵌入,以及按您的内容类型调优的关键词 + 向量混合索引。

  • 权限感知的检索

    从您的源系统镜像访问控制,在查询时、在任何内容到达模型之前就应用。

  • 带引用的答案生成

    有依据的答案,引用并链接其来源;知识库里没有答案时,就说“我不知道”。

  • 助手界面

    网页聊天、Slack 或 Teams 机器人、应用内组件,或供您其他应用调用的 API。

  • 新鲜度与质量监控

    定时重建索引、过期内容告警、未答问题报告,以及针对检索和回答质量的评估集。

我们对接的系统

都是老熟人。只要您的系统有 API 或数据库,我们基本都能对接。

文档存储
SharePoint 与 OneDrive, Google Drive, Confluence 与 Notion, 文件服务器与 S3
结构化数据
PostgreSQL, MySQL, ERP 与 CRM 记录, 电子表格
检索
pgvector, 托管向量数据库, 混合搜索, 重排器
界面
网页聊天, Slack, Microsoft Teams, REST API

如何运作,一步一步看

  1. 01

    摄取

    从您的数据源收集文档和记录,解析、切分成有意义的段落,连同元数据和权限一起索引。

  2. 02

    提问

    用户在自己已在用的界面里,用自然语言提出问题。

  3. 03

    检索

    系统用混合搜索和重排,找出用户有权查看的最相关段落。

  4. 04

    带引用作答

    模型只用这些段落撰写答案,并逐一引用来源。证据缺失时,它会直说。

  5. 05

    学习

    反馈、未答问题和低置信度回答会被复查,用于修补内容或检索中的缺口。

蓝图:人力与运营政策助手

参考设计,不是客户项目

场景:一家多地点组织把政策放在共享盘里。员工每周都在问人力和经理同样的问题。

  1. 1. 触发
    在 Teams 里提问
    “转正后有几天事假?”
  2. 2. 规则与检查
    权限范围
    按角色、地点和部门过滤
  3. 3. AI 步骤
    检索与重排
    来自现行政策版本的最相关段落
  4. 4. 系统更新
    带引用的答案
    答案附条款和文档链接
  5. 5. 人工控制
    缺口复查
    人力部门复查未答或被标记的问题
  • 触发
  • 规则与检查
  • AI 步骤
  • 系统更新
  • 人工控制
这说明了什么:这张蓝图展示了权限如何在检索之前被强制执行、答案为什么带引用,以及内容缺口如何由人来修补。它是一份参考设计,不是客户的实际部署。

我们如何交付

时间为首次发布的典型值。它取决于范围、数据的就绪程度和涉及的集成,所以我们会在调研之后确认。

  1. 1

    知识审计

    我们盘点数据源、负责人、格式和访问规则,并收集人们今天实际在问的问题。

    第 1 周
  2. 2

    检索原型

    我们索引一个有代表性的切片,在构建界面之前先对照问题集测量检索质量。

    第 2 到 3 周
  3. 3

    助手构建

    我们加上权限执行、引用、选定的界面和监控,然后在一个团队内试点。

    第 3 到 6 周
  4. 4

    扩展内容

    我们接入更多数据源,完善问题集,并在文档变化时保持索引新鲜。

    持续进行

安全措施,从第一天就内置

安全、隐私、测试和人工控制从一开始就设计进去,而不是试点后再补上。我们会按您的政策和风险来调整。

  • 检索时的访问控制

    权限在检索内容之前就在代码中检查,模型永远看不到用户无权查看的段落。

  • 只给有依据的答案

    答案必须有检索到的来源支撑并加以引用。助手被指示并经过测试,在证据缺失时拒绝作答。

  • 数据驻留与保留

    我们与您议定索引和日志存放在哪里、对话数据保留多久,以及哪些模型供应商可以处理它。

  • 可测量的质量

    一套问答测试集跨版本跟踪检索命中率、对来源的忠实度和拒答行为。

您可以期待什么

我们测量人们今天如何查找信息,上线后再做对比。常见目标包括:

  • 例行问题得到更快的回答
  • 向人力、IT 和资深员工重复提问更少
  • 政策执行更加一致
  • 看清人们在问什么、文档在哪里缺失
  • 人们可以通过引用核实答案

我们衡量什么

答案采纳率与反馈, 测试集上的检索命中率, 未答问题数量, 向专家重复提问的次数.

我们不会事先承诺节省多少或准确率多高。这些在试点期间用您的数据来测。

最适合的场景

  • 教育. 员工手册、学术规章和学生常见问题。
  • ERP 与运营. SOP、质量手册和流程文档。
  • SaaS. 供支持团队使用的产品文档和已解决工单。
  • 物流. 客户合同、SLA 和线路作业规程。
更多行业想法

开始的方式

  1. 阶段 11 到 2 周

    AI 机会冲刺

    知道 AI 重要、却不知从哪里开始的团队。

    一次简短而有章法的调研,找出您业务中值得追求的 AI 机会,也找出不值得的那些。

    找到您的 AI 机会
  2. 阶段 23 到 5 周

    工作流自动化试点

    一个您想在规模化之前先验证的高价值工作流。

    一次聚焦的试点,把单个工作流端到端自动化,对照可测量的基线运行,结果是一个决定,而不是一场演示。

    启动 AI 试点
  3. 阶段 36 到 12 周

    生产级 AI 构建

    您已准备好交付给真实用户的 AI 产品或功能。

    从产品设计到部署的完整构建:AI 本身、围绕它的应用、各项集成,以及运行它所需的工具。

    规划生产级构建
  4. 阶段 4持续进行,按月

    托管 AI 运营

    已在生产环境中、需要有人负责的 AI 系统。

    对生产 AI 的持续照料:我们盯着质量、控制成本、处理模型变更,并保持安全审查更新。

    聊聊托管 AI

企业知识与 RAG:常见问题

什么是企业级 RAG?

企业级 RAG(检索增强生成)是一种 AI 系统:先搜索您组织自己的文档和数据,再用语言模型仅根据找到的内容撰写答案,并带有适合商业使用的引用和访问控制。

你们怎么防止助手编造?

先检索相关段落,指示模型只根据这些段落作答,要求引用,测试证据缺失时的拒答行为,并长期监控答案的忠实度。没有系统是完美的,所以来源始终展示出来。

员工会看到不该看的文档吗?

不会,只要权限是设计进去的。我们从您的源系统镜像访问规则,在模型看到任何内容之前就按用户身份过滤检索结果。

除了文档,它也能从数据库作答吗?

可以。结构化数据可以通过安全的只读工具查询,或同步进索引,取决于新鲜度要求和数据敏感性。

我们需要先把所有文档清理一遍吗?

不需要。知识审计会找出最值得先索引的数据源。助手也会暴露过时和互相矛盾的文档,这反而有助于排定清理的优先级。

您团队的知识今天都放在哪儿?

告诉我们您的文档和谁需要答案。我们会建议第一个知识领域,以及如何衡量答案质量。 我们会在一个工作日内回复。

我们会在一个工作日内回复,也乐意先签保密协议。更喜欢邮件?写信到 info@originsphere.in。

和我们聊聊