# RAG 知识库：从「能用」到「好用」的距离

把文档切块、向量化、检索、生成，一个下午就能跑通。但要让一线员工每天愿意用，还需要做对这几件事。

作者：[Jay AI](https://jay-ai-native.top/#about)

发布日期：2026-09-12

原文：https://jay-ai-native.top/radar/rag-from-usable-to-useful/

RAG（检索增强生成）几乎是企业 AI 的标配。搭一个能跑的 Demo 很快，但我见过太多知识库上线一个月后就无人问津。差距主要在下面几处。

## 切块不是越小越好

按固定字数切块，经常把一条完整的规则切成两半。更好的做法是**按语义结构切**：标题、条款、问答对各自成块，并给每块附上所属文档、章节等元数据。

## 混合检索比纯向量检索更稳

向量检索擅长理解「意思」，但对型号、SKU、专有名词这类精确匹配很弱。**关键词检索 + 向量检索 + 重排序**的组合，能明显减少「明明有答案却没搜到」的情况。

## 回答必须能溯源

一线员工不会盲信 AI。每个回答都要标出引用来源，点开就能看到原文。可溯源是建立信任的第一步，也方便发现和修正错误知识。

## 让知识库「活」起来

知识库最大的敌人是过时。几个实用的机制：

1. 文档更新后自动重新入库
2. 记录「没答上来」的问题，定期补充知识
3. 员工可以一键反馈「答案有误」，形成闭环

## 权限要从第一天就设计

财务、人事、客户数据不是所有人都能看。检索阶段就要按用户权限过滤，而不是生成之后再遮挡。

---

> 好的知识库，衡量标准只有一个：**员工遇到问题时，第一反应是去问它**。